MultiLinearLogistic Regr-ions

ivan gabrovski

Mengandungi iklan

Perihal apl ini

Berikut ialah panduan praktikal untuk Regresi Logistik Perduaan Berganda (multivariat) —iaitu, meramalkan hasil binari (0/1) daripada berbilang ciri.
Regresi Logistik Binomial (biasanya dipanggil regresi logistik) ialah kaedah statistik yang digunakan untuk memodelkan hubungan antara satu atau lebih pembolehubah bebas dan hasil binari (dua kategori).
Perduaan: sasaran y∈{0,1}
Berganda (multivariat): lebih daripada satu ciri input x_1, x_2, ..., x_n​
Model:
p(y=1∣x)=1/(1+e^{−z}), dengan z=w_0+w_1*x_1+⋯+w_n*x_n

dan w_0, w_1...w_n ialah pemberat yang dikira oleh x_1, x_2, ..., x_n dan ralat antara y dan ramalan.
Daripada meramalkan nilai secara langsung, regresi logistik meramalkan log-odds menggunakan gabungan linear peramal z. Log-odds kemudiannya diubah menggunakan fungsi logistik (sigmoid) untuk menghasilkan kebarangkalian antara 0 dan 1.

Regresi Logistik Perduaan ialah model pengelasan probabilistik yang menggunakan fungsi sigmoid untuk meramalkan kemungkinan salah satu daripada dua hasil, menjadikannya digunakan secara meluas dalam statistik, sains data dan pembelajaran mesin untuk membuat keputusan binari yang boleh ditafsirkan.

Parameter model dianggarkan menggunakan Anggaran Kemungkinan Maksimum (MLE). Nilai ambang (biasanya 0.5) digunakan untuk mengklasifikasikan hasil (Jika P≥0.5 → kelas 1; Jika P<0.5 → kelas 0).
Regresi logistik multinomial ialah kaedah statistik dan pembelajaran mesin yang digunakan untuk memodelkan hubungan antara satu set pembolehubah bebas (peramal) dan pembolehubah bersandar kategori dengan lebih daripada dua hasil yang mungkin, di mana kategori tidak mempunyai susunan semula jadi.
Model: Untuk kelas k:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x di mana j=1,2...K
Di mana: - x = vektor ciri
w_k = pemberat untuk kelas k
K = bilangan kelas
Dalam aplikasi, setiap objek Object_k( object_1, object_2 ... object_m) digambarkan oleh pembolehubah bebas( X_ki – ciri, i = 1...n ) dan satu pembolehubah bersandar( Y_k -sasaran). Kaedah seperti kuasa dua terkecil biasa (OLS) digunakan untuk mengira nilai optimum pekali (beta_0, beta_1, beta_2, ..., beta_n). Nilai sasaran dikira dengan:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
di mana: P_1, P_2...P_n ialah peramal sasaran.
Aplikasi ini menyimpan data untuk pelbagai model regresi logistik dalam pangkalan data (DB) jenis SQLite bernama AppMultiNomialLogisticRegression.db. Model regresi dibezakan mengikut nama.

Skrin permulaan aplikasi (App Multinomial Linear Logistic Regression Solver) memaparkan senarai sampel model regresi (dalam senarai spinner) dan butang untuk mendayakan fungsi untuk mencipta (Sampel baharu), memuatkan (Muatkan), menyimpan (Simpan), menyimpan sebagai (Simpan sebagai), mengira (Kira), dan memadam (Padam) sampel model regresi. Dari skrin utama, melalui elemen menu, anda juga boleh mengakses fungsi seperti pemilihan bahasa, menyimpan dan menyalin pangkalan data, memulakan pangkalan data dengan data sampel, dan fungsi tambahan seperti bantuan untuk aplikasi, tetapan, dan pautan ke laman web dengan penerangan semua aplikasi oleh pengarang.
Fungsi untuk mencipta (Sampel baharu) termasuk dialog untuk memasukkan saiz matriks di mana data sampel baharu dimasukkan – bilangan baris (bilangan termasuk baris untuk data ramalan P_1, P_2...P_n– baris terakhir) dan bilangan lajur (bilangan termasuk lajur untuk data bergantung Y_1, Y_2,...Y_k– lajur terakhir). Kemudian, jadual dijana untuk memasukkan data yang berkaitan. Jadual yang diisi mesti dinamakan sebelum disimpan. Fungsi Load akan membersihkan jadual. Jadual lama yang disimpan mungkin dipaparkan dengan dipilih daripada senarai spinner. Jadual yang dipaparkan boleh dikira dan penyelesaian akan dipaparkan dalam dialog Hasil aplikasi. Fungsi Print boleh dilaksanakan daripada dialog ini dalam fail AppMultipleLogisticRegressionSolver.txt. Fail Print include ialah folder yang dipilih untuk menyimpan fail. Selepas memilih folder, butang untuk menyimpan akan dipaparkan. Daripada aktiviti yang sama, kandungan fail yang dipilih akan dipaparkan, dan juga untuk memadam fail yang dipilih akan dipaparkan.