MultiLinearLogistic Regr-ions

ivan gabrovski

Зар агуулсан

Энэ аппын тухай

Доор Олон (олон хувьсагчтай) Хоёртын Логистик Регрессийн практик гарын авлага - өөрөөр хэлбэл олон шинж чанараас хоёртын үр дүнг (0/1) урьдчилан таамаглах.
Хоёртын Логистик Регресс (ихэвчлэн логистик регресс гэж нэрлэдэг) нь нэг буюу хэд хэдэн бие даасан хувьсагч ба хоёртын (хоёр ангиллын) үр дүнгийн хоорондын хамаарлыг загварчлахад ашигладаг статистик арга юм.
Хоёртын: зорилтот y∈{0,1}
Олон (олон хувьсагчтай): нэгээс олон оролтын шинж чанар x_1, x_2, ..., x_n​
Загвар:
p(y=1∣x)=1/(1+e^{−z}), энд z=w_0+w_1*x_1+⋯+w_n*x_n

ба w_0, w_1...w_n нь x_1, x_2, ..., x_n болон y болон таамаглалын хоорондох алдаагаар тооцоолсон жин юм.
Логистик регресс нь утгыг шууд урьдчилан таамаглахын оронд z урьдчилан таамаглагчдын шугаман хослолыг ашиглан логик магадлалыг урьдчилан таамагладаг. Дараа нь логик магадлалыг логик (сигмоид) функцийг ашиглан 0 ба 1 хоорондох магадлалыг гаргаж авдаг.
Хоёртын логик регресс нь хоёр үр дүнгийн аль нэгнийх нь магадлалыг урьдчилан таамаглахын тулд сигмоид функцийг ашигладаг магадлалын ангиллын загвар бөгөөд үүнийг статистик, өгөгдлийн шинжлэх ухаан, тайлбарлах боломжтой хоёртын шийдвэр гаргахад машин сургалтад өргөн ашигладаг.
Загварын параметрүүдийг Хамгийн их магадлалын тооцоолол (MLE) ашиглан тооцоолдог. Үр дүнг ангилахын тулд босго утгыг (ихэвчлэн 0.5) ашигладаг (Хэрэв P≥0.5 → 1-р ангилал; Хэрэв P<0.5 → 0-р ангилал).
Олон гишүүнт логистик регресс нь бие даасан хувьсагчдын багц (урьдчилан таамаглагч) болон хоёроос дээш боломжит үр дүнтэй ангиллын хамааралтай хувьсагчийн хоорондын хамаарлыг загварчлахад ашигладаг статистик болон машин сургалтын арга бөгөөд ангилалууд нь байгалийн дараалалгүй байдаг.
Загвар: k ангийн хувьд:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x энд j=1,2...K
Үүнд: - x = онцлог вектор
w_k = k ангийн жин
K = ангийн тоо
Аппликейшнд Object_k(object_1, object_2 ... object_m) объект бүрийг бие даасан хувьсагч (X_ki – онцлог, i = 1...n) болон нэг хамааралтай хувьсагч (Y_k -target)-аар тодорхойлно. Энгийн хамгийн бага квадрат (OLS) гэх мэт аргыг коэффициентүүдийн оновчтой утгыг (beta_0, beta_1, beta_2, ..., beta_n) тооцоолоход ашигладаг. Зорилтот утгыг дараах байдлаар тооцоолно:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
Үүнд: P_1, P_2...P_n нь зорилтотын таамаглагч юм.
Аппликейшн нь AppMultiNomialLogisticRegression.db нэртэй SQLite төрлийн өгөгдлийн сан (DB)-д олон логистик регрессийн загваруудын өгөгдлийг хадгалдаг. Регрессийн загваруудыг нэрээр нь ялгадаг.

Аппликейшны эхлүүлэх дэлгэц (App Multinomial Linear Logistic Regression Solver) нь регрессийн загваруудын дээжийн жагсаалтыг (эргэлтийн жагсаалтад) болон регрессийн загваруудын дээжийг үүсгэх (Шинэ дээж), ачаалах (Ачаалах), хадгалах (Хадгалах), хадгалах (Хадгалах), тооцоолох (Тооцоолох), устгах (Устгах) функцуудыг идэвхжүүлэх товчлууруудыг харуулдаг. Үндсэн дэлгэцээс цэсний элементүүдээр дамжуулан та хэл сонгох, өгөгдлийн санг хадгалах, хуулах, өгөгдлийн санг дээжийн өгөгдөлтэй эхлүүлэх, програмын тусламж, тохиргоо, зохиогчдын бүх програмын тайлбар бүхий вэбсайт руу холбогдох зэрэг туслах функцүүдэд хандах боломжтой.

(Шинэ дээж) үүсгэх функцүүдэд шинэ дээжийн өгөгдлийг оруулах матрицын хэмжээг оруулах харилцах цонх багтана - мөрийн тоо (таамагласан өгөгдлийн P_1 мөрийн тоо, P_2...P_n - сүүлийн мөр) болон баганын тоо (хамааралтай өгөгдлийн Y_1 мөрийн баганын тоо, Y_2,...Y_k - сүүлийн багана). Дараа нь холбогдох өгөгдлийг оруулах хүснэгтийг үүсгэнэ. Хадгалахаас өмнө дүүргэсэн хүснэгтэд нэр өгөх ёстой. Load функц нь хүснэгтийг цэвэрлэнэ.

Хуучин хадгалсан хүснэгт нь эргэлдэгч жагсаалтаас сонгогдсон хүснэгтээр харагдаж байж магадгүй. Харуулж буй хүснэгтийг тооцоолж, шийдэл нь харилцах цонхонд гарч ирж болно. Хэвлэх функцийг AppMultipleLogisticRegressionSolver.txt файл дахь энэ харилцах цонхноос гүйцэтгэж болно. Хэвлэх үйлдлийг хадгалах Мэдээллийн санг хадгалах/Файлыг хадгалах нь файлыг хадгалах хавтсыг сонгосон хавтас юм. Хавтсыг сонгосны дараа хадгалах товчлуур гарч ирнэ. Ижил үйлдлээс сонгосон файлын агуулгыг харуулах, мөн сонгосон файлыг устгах боломжтой.