MultiLinearLogistic Regr-ions

ivan gabrovski

ਇਸ ਵਿੱਚ ਵਿਗਿਆਪਨ ਹਨ

ਇਸ ਐਪ ਬਾਰੇ

ਹੇਠਾਂ ਮਲਟੀਪਲ (ਮਲਟੀਵੇਰੀਏਟ) ਬਾਈਨਰੀ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਲਈ ਇੱਕ ਵਿਹਾਰਕ ਗਾਈਡ ਹੈ — ਭਾਵ, ਮਲਟੀਪਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਤੋਂ ਇੱਕ ਬਾਈਨਰੀ ਨਤੀਜਾ (0/1) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ।

ਬਾਈਨੋਮੀਅਲ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ (ਆਮ ਤੌਰ 'ਤੇ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਇੱਕ ਅੰਕੜਾ ਵਿਧੀ ਹੈ ਜੋ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲਾਂ ਅਤੇ ਇੱਕ ਬਾਈਨਰੀ (ਦੋ-ਸ਼੍ਰੇਣੀ) ਨਤੀਜੇ ਵਿਚਕਾਰ ਸਬੰਧ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।

ਬਾਈਨਰੀ: ਟੀਚਾ y∈{0,1}

ਮਲਟੀਪਲ (ਮਲਟੀਵੇਰੀਏਟ): ਇੱਕ ਤੋਂ ਵੱਧ ਇਨਪੁਟ ਵਿਸ਼ੇਸ਼ਤਾ x_1, x_2, ..., x_n​
ਮਾਡਲ:
p(y=1∣x)=1/(1+e^{−z}), ਜਿੱਥੇ z=w_0+w_1*x_1+⋯+w_n*x_n

ਅਤੇ w_0, w_1...w_n x_1, x_2, ..., x_n ਅਤੇ y ਅਤੇ ਭਵਿੱਖਬਾਣੀਆਂ ਵਿਚਕਾਰ ਗਲਤੀਆਂ ਦੁਆਰਾ ਗਿਣਿਆ ਜਾਂਦਾ ਭਾਰ ਹੈ।
ਮੁੱਲਾਂ ਦੀ ਸਿੱਧੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਬਜਾਏ, ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ z ਦੇ ਇੱਕ ਰੇਖਿਕ ਸੁਮੇਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲੌਗ-ਔਡਜ਼ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਫਿਰ ਲੌਗ-ਔਡਜ਼ ਨੂੰ 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਸੰਭਾਵਨਾਵਾਂ ਪੈਦਾ ਕਰਨ ਲਈ ਲੌਜਿਸਟਿਕ (ਸਿਗਮੋਇਡ) ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ।
ਬਾਇਨਰੀ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਇੱਕ ਸੰਭਾਵੀ ਵਰਗੀਕਰਣ ਮਾਡਲ ਹੈ ਜੋ ਦੋ ਨਤੀਜਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਸਿਗਮੋਇਡ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇਹ ਵਿਆਖਿਆਯੋਗ ਬਾਈਨਰੀ ਫੈਸਲੇ ਲੈਣ ਲਈ ਅੰਕੜਾ, ਡੇਟਾ ਵਿਗਿਆਨ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਮਾਡਲ ਪੈਰਾਮੀਟਰ ਵੱਧ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਅਨੁਮਾਨ (MLE) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਮਾਨਿਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਇੱਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਮੁੱਲ (ਆਮ ਤੌਰ 'ਤੇ 0.5) ਨਤੀਜਿਆਂ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ (ਜੇਕਰ P≥0.5 → ਕਲਾਸ 1; ਜੇ P<0.5 → ਕਲਾਸ 0)।
ਮਲਟੀਨੋਮੀਅਲ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਇੱਕ ਅੰਕੜਾ ਅਤੇ ਮਸ਼ੀਨ-ਲਰਨਿੰਗ ਵਿਧੀ ਹੈ ਜੋ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲਾਂ (ਭਵਿੱਖਬਾਣੀਆਂ) ਦੇ ਇੱਕ ਸਮੂਹ ਅਤੇ ਦੋ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ ਨਤੀਜਿਆਂ ਵਾਲੇ ਇੱਕ ਸ਼੍ਰੇਣੀਗਤ ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਵਿਚਕਾਰ ਸਬੰਧ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ, ਜਿੱਥੇ ਸ਼੍ਰੇਣੀਆਂ ਦਾ ਕੋਈ ਕੁਦਰਤੀ ਕ੍ਰਮ ਨਹੀਂ ਹੁੰਦਾ।
ਮਾਡਲ: ਕਲਾਸ k ਲਈ:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x ਜਿੱਥੇ j=1,2...K
ਕਿੱਥੇ: - x = ਵਿਸ਼ੇਸ਼ਤਾ ਵੈਕਟਰ
w_k = ਕਲਾਸ k ਲਈ ਵਜ਼ਨ
K = ਕਲਾਸਾਂ ਦੀ ਗਿਣਤੀ
ਐਪ ਵਿੱਚ ਹਰੇਕ ਵਸਤੂ Object_k( object_1, object_2 ... object_m) ਨੂੰ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲ (X_ki – ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, i = 1...n ) ਅਤੇ ਇੱਕ ਨਿਰਭਰ ਵੇਰੀਏਬਲ (Y_k -ਟਾਰਗੇਟ) ਦੁਆਰਾ ਦਰਸਾਇਆ ਗਿਆ ਹੈ। ਗੁਣਾਂਕ (beta_0, beta_1, beta_2, ..., beta_n) ਦੇ ਅਨੁਕੂਲ ਮੁੱਲਾਂ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਇੱਕ ਵਿਧੀ ਜਿਵੇਂ ਕਿ ਆਮ ਘੱਟੋ-ਘੱਟ ਵਰਗ (OLS) ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਟੀਚਾ ਮੁੱਲ ਦੀ ਗਣਨਾ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
ਜਿੱਥੇ: P_1, P_2...P_n ਟੀਚੇ ਦੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਹਨ।

ਡੇਟਾਬੇਸ (DB) ਕਿਸਮ SQLite ਵਿੱਚ ਮਲਟੀਪਲ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਲਈ ਐਪਲੀਕੇਸ਼ਨ ਸੇਵ ਡੇਟਾ ਜਿਸਦਾ ਨਾਮ AppMultiNomialLogisticRegression.db ਹੈ। ਰਿਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਨੂੰ ਨਾਮ ਦੁਆਰਾ ਵੱਖ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦੀ ਸਟਾਰਟਅੱਪ ਸਕ੍ਰੀਨ (ਐਪ ਮਲਟੀਨੋਮਿਅਲ ਲੀਨੀਅਰ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਸੋਲਵਰ) ਰਿਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਦੇ ਨਮੂਨਿਆਂ (ਸਪਿਨਰ ਸੂਚੀ ਵਿੱਚ) ਦੀ ਇੱਕ ਸੂਚੀ ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਦੇ ਨਮੂਨੇ ਬਣਾਉਣ (ਨਵਾਂ ਨਮੂਨਾ), ਲੋਡ (ਲੋਡ), ਸੇਵ (ਸੇਵ), ਸੇਵ ਐਜ਼ (ਸੇਵ ਐਜ਼), ਕੈਲਕੁਲੇਟ (ਕੈਲਕੁਲੇਟ) ਅਤੇ ਡਿਲੀਟ (ਡਿਲੀਟ) ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਣ ਲਈ ਬਟਨ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੀ ਹੈ। ਮੁੱਖ ਸਕ੍ਰੀਨ ਤੋਂ, ਮੀਨੂ ਐਲੀਮੈਂਟਸ ਰਾਹੀਂ, ਤੁਸੀਂ ਭਾਸ਼ਾ ਦੀ ਚੋਣ, ਡੇਟਾਬੇਸ ਨੂੰ ਸੇਵ ਅਤੇ ਕਾਪੀ ਕਰਨ, ਨਮੂਨਾ ਡੇਟਾ ਨਾਲ ਡੇਟਾਬੇਸ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ, ਅਤੇ ਸਹਾਇਕ ਫੰਕਸ਼ਨਾਂ ਜਿਵੇਂ ਕਿ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਮਦਦ, ਸੈਟਿੰਗਾਂ, ਅਤੇ ਲੇਖਕਾਂ ਦੁਆਰਾ ਸਾਰੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਵੇਰਵੇ ਦੇ ਨਾਲ ਵੈਬਸਾਈਟ ਦਾ ਲਿੰਕ ਵੀ ਐਕਸੈਸ ਕਰ ਸਕਦੇ ਹੋ।
(ਨਵਾਂ ਨਮੂਨਾ) ਬਣਾਉਣ ਲਈ ਫੰਕਸ਼ਨਾਂ ਵਿੱਚ ਮੈਟ੍ਰਿਕਸ ਦੇ ਆਕਾਰ ਨੂੰ ਇਨਪੁੱਟ ਕਰਨ ਲਈ ਡਾਇਲਾਗ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ ਜਿੱਥੇ ਨਵੇਂ ਨਮੂਨੇ ਦਾ ਡੇਟਾ ਦਾਖਲ ਕਰਨਾ - ਕਤਾਰਾਂ ਦੀ ਗਿਣਤੀ (ਅਨੁਮਾਨਿਤ ਡੇਟਾ ਲਈ ਕਤਾਰ ਸ਼ਾਮਲ ਕਰੋ P_1, P_2...P_n– ਆਖਰੀ ਕਤਾਰ) ਅਤੇ ਕਾਲਮਾਂ ਦੀ ਗਿਣਤੀ (ਨਿਰਭਰ ਡੇਟਾ ਲਈ ਕਾਲਮ ਸ਼ਾਮਲ ਕਰੋ Y_1, Y_2,...Y_k– ਆਖਰੀ ਕਾਲਮ)। ਫਿਰ ਸੰਬੰਧਿਤ ਡੇਟਾ ਦਾਖਲ ਕਰਨ ਲਈ ਟੇਬਲ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਆਬਾਦੀ ਵਾਲੀ ਟੇਬਲ ਨੂੰ ਸੇਵ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਨਾਮ ਦਿੱਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਫੰਕਸ਼ਨ ਲੋਡ ਕਰੋ ਟੇਬਲ ਸਾਫ਼ ਕਰੋ।
ਪੁਰਾਣੀ ਸੇਵ ਕੀਤੀ ਟੇਬਲ ਸਪਿਨਰ ਸੂਚੀ ਵਿੱਚੋਂ ਚੁਣੀ ਗਈ ਦਿਖਾਈ ਦੇ ਸਕਦੀ ਹੈ। ਦਿਖਾਉਣ ਵਾਲੀ ਟੇਬਲ ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਅਤੇ ਹੱਲ ਡਾਇਲਾਗ ਐਪ ਨਤੀਜਿਆਂ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਫੰਕਸ਼ਨ ਪ੍ਰਿੰਟ ਨੂੰ ਇਸ ਡਾਇਲਾਗ ਤੋਂ ਐਪਮਲਟੀਪਲਲੋਜਿਸਟਿਕ ਰੈਗ੍ਰੇਸ਼ਨਸੋਲਵਰ.ਟੀਐਕਸਟੀ ਫਾਈਲ ਵਿੱਚ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਪ੍ਰਿੰਟ ਸ਼ਾਮਲ ਗਤੀਵਿਧੀ ਸੇਵ ਡੀਬੀ/ਸੇਵ ਫਾਈਲ ਇਸ ਦੁਆਰਾ ਚੁਣਿਆ ਗਿਆ ਫੋਲਡਰ ਹੈ ਜਿੱਥੇ ਫਾਈਲ ਸੇਵ ਕਰਨੀ ਹੈ। ਫੋਲਡਰ ਚੁਣਨ ਤੋਂ ਬਾਅਦ ਸੇਵ ਲਈ ਬਟਨ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਉਸੇ ਗਤੀਵਿਧੀ ਤੋਂ ਚੁਣੀ ਗਈ ਫਾਈਲ ਦੀ ਸਮੱਗਰੀ ਦਿਖਾਈ ਦੇ ਸਕਦੀ ਹੈ, ਅਤੇ ਚੁਣੀ ਗਈ ਫਾਈਲ ਨੂੰ ਮਿਟਾਉਣ ਲਈ ਵੀ।