MultiLinearLogistic Regr-ions

ivan gabrovski

विज्ञापनहरू समावेश गर्दछ

यो एपका बारेमा

तल बहु (बहुभिन्न) बाइनरी लजिस्टिक रिग्रेसनको लागि व्यावहारिक गाइड छ — अर्थात्, बहु सुविधाहरूबाट बाइनरी परिणाम (०/१) को भविष्यवाणी गर्ने।

बाइनॉमियल लजिस्टिक रिग्रेसन (सामान्यतया लजिस्टिक रिग्रेसन भनिन्छ) एक वा बढी स्वतन्त्र चरहरू र बाइनरी (दुई-श्रेणी) परिणाम बीचको सम्बन्ध मोडेल गर्न प्रयोग गरिने सांख्यिकीय विधि हो।

बाइनरी: लक्ष्य y∈{0,1}

बहुभिन्न (बहुभिन्न): एक भन्दा बढी इनपुट सुविधा x_1, x_2, ..., x_n​
मोडेल:
p(y=1∣x)=1/(1+e^{−z}), जहाँ z=w_0+w_1*x_1+⋯+w_n*x_n

र w_0, w_1...w_n लाई x_1, x_2, ..., x_n र y र भविष्यवाणीहरू बीचको त्रुटिहरू द्वारा गणना गरिएको तौलहरू हुन्।
मानहरू प्रत्यक्ष रूपमा भविष्यवाणी गर्नुको सट्टा, लजिस्टिक रिग्रेसनले भविष्यवक्ता z को रेखीय संयोजन प्रयोग गरेर लग-अडहरूको भविष्यवाणी गर्छ। त्यसपछि लग-अडहरू ० र १ बीचको सम्भाव्यताहरू उत्पादन गर्न लजिस्टिक (सिग्मोइड) प्रकार्य प्रयोग गरेर रूपान्तरण गरिन्छ।
बाइनरी लजिस्टिक रिग्रेसन एक सम्भाव्य वर्गीकरण मोडेल हो जसले दुई परिणामहरू मध्ये एकको सम्भावनाको भविष्यवाणी गर्न सिग्मोइड प्रकार्य प्रयोग गर्दछ, जसले यसलाई व्याख्यायोग्य बाइनरी निर्णय लिने तथ्याङ्क, डेटा विज्ञान, र मेसिन लर्निङमा व्यापक रूपमा प्रयोग गरिन्छ।
मोडेल प्यारामिटरहरू अधिकतम सम्भावना अनुमान (MLE) प्रयोग गरेर अनुमान गरिन्छ। परिणामहरू वर्गीकृत गर्न थ्रेसहोल्ड मान (सामान्यतया ०.५) प्रयोग गरिन्छ (यदि P≥0.5 → वर्ग १; यदि P<0.5 → वर्ग ०)।
बहुपदीय लजिस्टिक रिग्रेसन एक सांख्यिकीय र मेसिन-लर्निङ विधि हो जुन स्वतन्त्र चरहरू (भविष्यवाणीकर्ताहरू) को सेट र दुई भन्दा बढी सम्भावित परिणामहरू भएको वर्गीकृत निर्भर चर बीचको सम्बन्ध मोडेल गर्न प्रयोग गरिन्छ, जहाँ कोटीहरूको कुनै प्राकृतिक क्रम हुँदैन।
मोडेल: वर्ग k को लागि:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x जहाँ j=1,2...K
जहाँ: - x = विशेषता भेक्टर
w_k = वर्ग k को लागि तौल
K = वर्गहरूको संख्या
एपमा प्रत्येक वस्तु Object_k( object_1, object_2 ... object_m) लाई स्वतन्त्र चरहरू (X_ki - सुविधाहरू, i = 1...n) र एउटा निर्भर चर (Y_k -target) द्वारा वर्णन गरिएको छ। गुणांकहरूको इष्टतम मानहरू गणना गर्न साधारण न्यूनतम वर्ग (OLS) जस्ता विधि प्रयोग गरिन्छ (beta_0, beta_1, beta_2, ..., beta_n)। लक्ष्य मान निम्न द्वारा गणना गरिन्छ:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
जहाँ: P_1, P_2...P_n लक्ष्यको भविष्यसूचक हुन्।

डाटाबेस (DB) प्रकार SQLite मा AppMultiNomialLogisticRegression.db नामक बहु-लजिस्टिक रिग्रेसन मोडेलहरूको लागि एप्लिकेसन बचत डेटा। रिग्रेसन मोडेलहरू नामद्वारा छुट्याइन्छ।
एप्लिकेसनको स्टार्टअप स्क्रिन (एप मल्टिनोमियल लाइनर लजिस्टिक रिग्रेसन सोल्भर) ले रिग्रेसन मोडेलहरूको नमूनाहरूको सूची (स्पिनर सूचीमा) र रिग्रेसन मोडेलहरूको नमूनाहरू सिर्जना गर्न (नयाँ नमूना), लोड (लोड), बचत (बचत), बचतको रूपमा (बचत गर्नुहोस्), गणना गर्नुहोस् (गणना गर्नुहोस्), र मेटाउनुहोस् (मेटाउनुहोस्) कार्यहरू सक्षम पार्न बटनहरू प्रदर्शन गर्दछ। मुख्य स्क्रिनबाट, मेनु तत्वहरू मार्फत, तपाईंले भाषा चयन, डाटाबेस बचत र प्रतिलिपि गर्ने, नमूना डेटाको साथ डाटाबेस सुरु गर्ने, र अनुप्रयोगको लागि मद्दत, सेटिङहरू, र लेखकहरू द्वारा सबै अनुप्रयोगहरूको विवरणको साथ वेबसाइटको लिङ्क जस्ता सहायक कार्यहरू पनि पहुँच गर्न सक्नुहुन्छ।
(नयाँ नमूना) सिर्जना गर्ने कार्यहरूमा म्याट्रिक्सको आकार इनपुट गर्ने संवाद समावेश हुन्छ जहाँ नयाँ नमूनाको डेटा प्रविष्ट गरिन्छ - पङ्क्तिहरूको संख्या (संख्याले भविष्यवाणी गरिएको डेटाको लागि पङ्क्ति समावेश गर्दछ P_1, P_2...P_n– अन्तिम पङ्क्ति) र स्तम्भहरूको संख्या (संख्याले निर्भर डेटाको लागि स्तम्भ समावेश गर्दछ Y_1, Y_2,...Y_k– अन्तिम स्तम्भ)। त्यसपछि सान्दर्भिक डेटा प्रविष्ट गर्न तालिका उत्पन्न गरिन्छ। भरिएको तालिका बचत गर्नु अघि नामकरण गर्नुपर्छ। प्रकार्य लोड गर्नुहोस् तालिका खाली गर्नुहोस्।
पुरानो बचत गरिएको तालिका स्पिनर सूचीबाट चयन गरिएको द्वारा देखाइएको हुन सक्छ। देखाउने तालिका गणना गर्न सकिन्छ र समाधान संवाद एप परिणामहरूमा देखा पर्दछ। प्रकार्य प्रिन्ट यस संवादबाट फाइल AppMultipleLogisticRegressionSolver.txt मा कार्यान्वयन गर्न सकिन्छ। प्रिन्ट समावेश गतिविधि बचत गर्नुहोस् Db/सेभ गर्नुहोस् फाइल चयन गरिएको फोल्डर हो जहाँ फाइल बचत गर्ने। फोल्डर चयन गरेपछि बचतको लागि बटन देखिन्छ। उही गतिविधिबाट चयन गरिएको फाइलको सामग्री देखाउन सकिन्छ, र चयन गरिएको फाइल मेटाउन पनि।