MultiLinearLogistic Regr-ions

ivan gabrovski

यामध्‍ये जाहिराती आहेत

या अ‍ॅपविषयी

खाली बहुविध (बहुपरिवर्तनीय) बायनरी लॉजिस्टिक रिग्रेशनसाठी एक व्यावहारिक मार्गदर्शक आहे - म्हणजे, अनेक वैशिष्ट्यांमधून बायनरी परिणाम (0/1) भाकित करणे.

द्विपदी लॉजिस्टिक रिग्रेशन (सामान्यत: लॉजिस्टिक रिग्रेशन म्हणतात) ही एक सांख्यिकीय पद्धत आहे जी एक किंवा अधिक स्वतंत्र चल आणि बायनरी (दोन-श्रेणी) परिणाम यांच्यातील संबंध मॉडेल करण्यासाठी वापरली जाते.

बायनरी: लक्ष्य y∈{0,1}

बहुपरिवर्तनीय: एकापेक्षा जास्त इनपुट वैशिष्ट्य x_1, x_2, ..., x_n​
मॉडेल:
p(y=1∣x)=1/(1+e^{−z}), जिथे z=w_0+w_1*x_1+⋯+w_n*x_n

आणि w_0, w_1...w_n हे x_1, x_2, ..., x_n आणि y आणि प्रेडिक्ट्समधील त्रुटींद्वारे मोजले जाणारे वजन आहेत.
थेट मूल्यांचे भाकित करण्याऐवजी, लॉजिस्टिक रिग्रेशन प्रिडिक्टर्स z च्या रेषीय संयोजनाचा वापर करून लॉग-ऑड्सचा अंदाज लावते. लॉजिस्टिक (सिग्मॉइड) फंक्शन वापरून लॉग-ऑड्सचे रूपांतर 0 आणि 1 मधील संभाव्यता निर्माण करण्यासाठी केले जाते.

बायनरी लॉजिस्टिक रिग्रेशन हे एक संभाव्य वर्गीकरण मॉडेल आहे जे सिग्मॉइड फंक्शनचा वापर दोन निकालांपैकी एकाची शक्यता भाकित करण्यासाठी करते, ज्यामुळे ते सांख्यिकी, डेटा सायन्स आणि मशीन लर्निंगमध्ये अर्थपूर्ण बायनरी निर्णय घेण्यासाठी मोठ्या प्रमाणावर वापरले जाते.
मॉडेल पॅरामीटर्सचा अंदाज कमाल शक्यता अंदाज (MLE) वापरून केला जातो. परिणामांचे वर्गीकरण करण्यासाठी एक थ्रेशोल्ड मूल्य (सामान्यतः 0.5) वापरले जाते (जर P≥0.5 → वर्ग 1; जर P<0.5 → वर्ग 0).
बहुपदीय लॉजिस्टिक रिग्रेशन ही एक सांख्यिकीय आणि मशीन-लर्निंग पद्धत आहे जी स्वतंत्र चलांच्या संचातील (प्रिडिक्टर्स) आणि दोनपेक्षा जास्त संभाव्य परिणामांसह एक श्रेणीगत अवलंबित चल यांच्यातील संबंध मॉडेल करण्यासाठी वापरली जाते, जिथे श्रेणींमध्ये नैसर्गिक क्रम नसतो.

मॉडेल: वर्ग k साठी:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x जिथे j=1,2...K
कुठे: - x = वैशिष्ट्य वेक्टर
w_k = वर्ग k साठी वजन
K = वर्गांची संख्या
अ‍ॅपमध्ये प्रत्येक ऑब्जेक्ट Object_k( object_1, object_2 ... object_m) स्वतंत्र चल (X_ki – वैशिष्ट्ये, i = 1...n ) आणि एक अवलंबित चल (Y_k -target) द्वारे वर्णन केले आहे. सहगुणकांच्या इष्टतम मूल्यांची गणना करण्यासाठी सामान्य किमान वर्ग (OLS) सारखी पद्धत वापरली जाते (beta_0, beta_1, beta_2, ..., beta_n). लक्ष्य मूल्याची गणना याद्वारे केली जाते:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
कुठे: P_1, P_2...P_n हे लक्ष्याचे पूर्वसूचक आहेत.

डेटाबेस (DB) प्रकार SQLite मधील अनेक लॉजिस्टिक रिग्रेशन मॉडेल्ससाठी AppMultiNomialLogisticRegression.db नावाच्या अॅप्लिकेशनमध्ये डेटा सेव्ह केला जातो. रिग्रेशन मॉडेल्सना नावाने वेगळे केले जाते.
अ‍ॅप्लिकेशनची स्टार्टअप स्क्रीन (अ‍ॅप मल्टीनॉमियल लाइनियर लॉजिस्टिक रिग्रेशन सॉल्व्हर) रिग्रेशन मॉडेल्सच्या नमुन्यांची यादी (स्पिनर लिस्टमध्ये) आणि रिग्रेशन मॉडेल्सचे नमुने तयार करण्यासाठी (नवीन नमुना), लोड (लोड), सेव्ह (सेव्ह), सेव्ह म्हणून (सेव्ह म्हणून), कॅल्क्युलेट (कॅल्क्युलेट) आणि डिलीट (डिलीट) फंक्शन्स सक्षम करण्यासाठी बटणे प्रदर्शित करते. मुख्य स्क्रीनवरून, मेनू घटकांद्वारे, तुम्ही भाषा निवड, डेटाबेस सेव्ह करणे आणि कॉपी करणे, नमुना डेटासह डेटाबेस सुरू करणे आणि अॅप्लिकेशनसाठी मदत, सेटिंग्ज आणि लेखकांनी सर्व अॅप्लिकेशन्सच्या वर्णनासह वेबसाइटची लिंक यासारख्या सहाय्यक फंक्शन्समध्ये देखील प्रवेश करू शकता.
(नवीन नमुना) तयार करण्याच्या फंक्शन्समध्ये मॅट्रिक्सचा आकार इनपुट करण्यासाठी डायलॉग समाविष्ट आहे जिथे नवीन नमुना डेटा प्रविष्ट केला जातो - पंक्तींची संख्या (अंदाजित डेटासाठी पंक्ती समाविष्ट असलेल्या संख्येत P_1, P_2...P_n– शेवटची पंक्ती) आणि स्तंभांची संख्या (अवलंबित डेटासाठी स्तंभ समाविष्ट असलेल्या संख्येत Y_1, Y_2,...Y_k– शेवटचा स्तंभ). नंतर संबंधित डेटा प्रविष्ट करण्यासाठी टेबल तयार केले जातात. पॉप्युलेटेड टेबलला सेव्ह करण्यापूर्वी नाव दिले पाहिजे. फंक्शन लोड करा टेबल साफ करा.
जुने सेव्ह केलेले टेबल स्पिनर सूचीमधून निवडून दाखवले जाऊ शकते. दाखवलेले टेबल मोजले जाऊ शकते आणि उपाय डायलॉग अॅप निकालांमध्ये दिसतात. प्रिंट फंक्शन AppMultipleLogisticRegressionSolver.txt फाइलमधील या डायलॉगमधून कार्यान्वित केले जाऊ शकते. प्रिंट समाविष्ट क्रियाकलाप सेव्ह Db/सेव्ह फाइल निवडलेल्या फोल्डरद्वारे निवडले जाते जिथे फाइल सेव्ह करायची आहे. फोल्डर निवडल्यानंतर सेव्ह करण्यासाठी बटण दिसते. त्याच क्रियाकलापातून निवडलेल्या फाइलची सामग्री दर्शविली जाऊ शकते आणि निवडलेली फाइल हटवण्यासाठी देखील.