MultiLinearLogistic Regr-ions
දැන්වීම් අඩංගුය
1+
බාගැනීම්
සියලුදෙනටාම
info
මෙම යෙදුම ගැන
පහත දැක්වෙන්නේ බහු (බහුවිචල්ය) ද්විමය ලොජිස්ටික් ප්රතිගමනය සඳහා ප්රායෝගික මාර්ගෝපදේශයකි — එනම්, බහු විශේෂාංග වලින් ද්විමය ප්රතිඵලයක් (0/1) පුරෝකථනය කිරීම.
ද්විපද ලොජිස්ටික් ප්රතිගමනය (සාමාන්යයෙන් ලොජිස්ටික් ප්රතිගමනය ලෙස හැඳින්වේ) යනු ස්වාධීන විචල්ය එකක් හෝ කිහිපයක් සහ ද්විමය (ප්රවර්ග දෙකක) ප්රතිඵලයක් අතර සම්බන්ධතාවය ආකෘතිකරණය කිරීමට භාවිතා කරන සංඛ්යානමය ක්රමයකි.
ද්විමය: ඉලක්කය y∈{0,1}
බහු (බහුවිචල්ය): ආදාන විශේෂාංග එකකට වඩා x_1, x_2, ..., x_n
ආකෘතිය:
p(y=1∣x)=1/(1+e^{−z}), එහිදී z=w_0+w_1*x_1+⋯+w_n*x_n
සහ w_0, w_1...w_n යනු x_1, x_2, ..., x_n සහ y සහ පුරෝකථනයන් අතර දෝෂ මගින් ගණනය කරන ලද බර වේ.
අගයන් සෘජුවම පුරෝකථනය කිරීම වෙනුවට, ලොජිස්ටික් ප්රතිගමනය, අනාවැකිකරුවන්ගේ රේඛීය සංයෝජනයක් භාවිතා කරමින් ලොජිස්ටික්-ඔඩ්ස් පුරෝකථනය කරයි z. ඉන්පසු ලොජිස්ටික් (සිග්මොයිඩ්) ශ්රිතය භාවිතයෙන් ලොජිස්ටික්-ඔඩ්ස් පරිවර්තනය කරනු ලබන්නේ 0 සහ 1 අතර සම්භාවිතාවන් ඇති කිරීම සඳහා ය.
ද්විමය ලොජිස්ටික් ප්රතිගමනය යනු සිග්මොයිඩ් ශ්රිතය භාවිතා කරන සම්භාවිතා වර්ගීකරණ ආකෘතියක් වන අතර එය ප්රතිඵල දෙකෙන් එකක සම්භාවිතාව පුරෝකථනය කරයි, එය සංඛ්යාලේඛන, දත්ත විද්යාව සහ යන්ත්ර ඉගෙනීමේදී අර්ථකථනය කළ හැකි ද්විමය තීරණ ගැනීම සඳහා බහුලව භාවිතා වේ.
ආදර්ශ පරාමිතීන් උපරිම සම්භාවිතාව ඇස්තමේන්තුව (MLE) භාවිතයෙන් ඇස්තමේන්තු කර ඇත. ප්රතිඵල වර්ගීකරණය කිරීම සඳහා එළිපත්ත අගයක් (සාමාන්යයෙන් 0.5) භාවිතා කරයි (P≥0.5 → පන්තිය 1 නම්; P<0.5 → පන්තිය 0 නම්).
බහුපද ලොජිස්ටික් ප්රතිගමනය යනු ස්වාධීන විචල්යයන් (පුරෝකථක) කට්ටලයක් සහ හැකි ප්රතිඵල දෙකකට වඩා ඇති වර්ගීකරණ යැපෙන විචල්යයක් අතර සම්බන්ධතාවය ආදර්ශනය කිරීමට භාවිතා කරන සංඛ්යානමය සහ යන්ත්ර ඉගෙනුම් ක්රමයකි, එහිදී කාණ්ඩවලට ස්වාභාවික අනුපිළිවෙලක් නොමැත.
ආකෘතිය: k පන්තිය සඳහා:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x එහිදී j=1,2...K
කොහෙද: - x = විශේෂාංග දෛශිකය
w_k = k පන්තිය සඳහා බර
K = පන්ති ගණන
යෙදුම තුළ සෑම වස්තුවක්ම Object_k( object_1, object_2 ... object_m) ස්වාධීන විචල්යයන් ( X_ki – විශේෂාංග, i = 1...n ) සහ යැපෙන විචල්යයක් ( Y_k -ඉලක්කය) මගින් විස්තර කෙරේ. සංගුණකවල ප්රශස්ත අගයන් ගණනය කිරීම සඳහා සාමාන්ය අවම වර්ග (OLS) වැනි ක්රමයක් භාවිතා කරයි (beta_0, beta_1, beta_2, ..., beta_n). ඉලක්ක අගය ගණනය කරනු ලබන්නේ:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
කොහෙද: P_1, P_2...P_n යනු ඉලක්කයේ පුරෝකථනය කරන්නන් වේ.
AppMultiNomialLogisticRegression.db ලෙස නම් කර ඇති දත්ත සමුදාය (DB) වර්ගයේ SQLite හි බහු ලොජිස්ටික් ප්රතිගාමී ආකෘති සඳහා යෙදුම දත්ත සුරකියි. ප්රතිගාමී ආකෘති නාමයෙන් වෙන්කර හඳුනාගත හැකිය.
යෙදුමේ ආරම්භක තිරය (යෙදුම් බහුපද රේඛීය ලොජිස්ටික් ප්රතිගාමී විසඳුම්කරු) ප්රතිගාමී ආකෘතිවල සාම්පල ලැයිස්තුවක් (ස්පිනර් ලැයිස්තුවේ) සහ ප්රතිගාමී ආකෘතිවල සාම්පල නිර්මාණය කිරීමට (නව නියැදිය), පූරණය කිරීමට (පූරණය කිරීමට), සුරැකීමට (සුරකින්න), ලෙස සුරකින්න (ලෙස සුරකින්න), ගණනය කිරීමට (ගණනය කිරීමට) සහ මකා දැමීමට (මකන්න) සක්රීය කිරීම සඳහා බොත්තම් පෙන්වයි. ප්රධාන තිරයෙන්, මෙනු අංග හරහා, ඔබට භාෂා තේරීම, දත්ත සමුදාය සුරැකීම සහ පිටපත් කිරීම, නියැදි දත්ත සමඟ දත්ත සමුදාය ආරම්භ කිරීම සහ යෙදුම සඳහා උදව්, සැකසුම් සහ කතුවරුන් විසින් සියලුම යෙදුම් පිළිබඳ විස්තරයක් සහිත වෙබ් අඩවියට සබැඳියක් වැනි සහායක කාර්යයන් වෙත ප්රවේශ විය හැකිය.
(නව නියැදිය) නිර්මාණය කිරීම සඳහා වන කාර්යයන් අතරට අනුකෘතියේ ප්රමාණය ඇතුළත් කිරීම සඳහා සංවාදය ඇතුළත් වේ, එහිදී නව නියැදියේ දත්ත ඇතුළත් කිරීම - පේළි ගණන (P_1, P_2...P_n– අවසාන පේළිය සඳහා පේළිය ඇතුළත් අංකය) සහ තීරු ගණන (Y_1, Y_2,...Y_k– අවසාන තීරුව සඳහා තීරුව ඇතුළත් අංකය) ඇතුළත් වේ. ඉන්පසු අදාළ දත්ත ඇතුළත් කිරීම සඳහා උත්පාදක වගුව. සුරකින ලද වගුවට පෙර ජනනය කළ වගුව නම් කළ යුතුය. ශ්රිතය පූරණය වගුව හිස් කරන්න.
පැරණි සුරකින ලද වගුව භ්රමක ලැයිස්තුවෙන් තෝරාගත් එකක් මගින් පෙන්වනු ලැබේ. පෙන්වන වගුව ගණනය කළ හැකි අතර විසඳුම යෙදුම් ප්රතිඵල සංවාදයේ දිස්වේ. AppMultipleLogisticRegressionSolver.txt ගොනුවේ මෙම සංවාදයෙන් මුද්රණය ශ්රිතය ක්රියාත්මක කළ හැකිය. මුද්රණය ඇතුළත් ක්රියාකාරකම් මඟින් Db/Save ගොනුව සුරකින්න එය තෝරාගෙන ගොනුව සුරැකිය යුතු ෆෝල්ඩරය තෝරා ඇත. ෆෝල්ඩරය තේරීමෙන් පසු සුරැකීම සඳහා බොත්තම දිස්වේ. එම ක්රියාකාරකමෙන් තෝරාගත් ගොනුවේ අන්තර්ගතය පෙන්වනු ඇති අතර තෝරාගත් ගොනුව මකා දැමිය හැකිය.
ද්විපද ලොජිස්ටික් ප්රතිගමනය (සාමාන්යයෙන් ලොජිස්ටික් ප්රතිගමනය ලෙස හැඳින්වේ) යනු ස්වාධීන විචල්ය එකක් හෝ කිහිපයක් සහ ද්විමය (ප්රවර්ග දෙකක) ප්රතිඵලයක් අතර සම්බන්ධතාවය ආකෘතිකරණය කිරීමට භාවිතා කරන සංඛ්යානමය ක්රමයකි.
ද්විමය: ඉලක්කය y∈{0,1}
බහු (බහුවිචල්ය): ආදාන විශේෂාංග එකකට වඩා x_1, x_2, ..., x_n
ආකෘතිය:
p(y=1∣x)=1/(1+e^{−z}), එහිදී z=w_0+w_1*x_1+⋯+w_n*x_n
සහ w_0, w_1...w_n යනු x_1, x_2, ..., x_n සහ y සහ පුරෝකථනයන් අතර දෝෂ මගින් ගණනය කරන ලද බර වේ.
අගයන් සෘජුවම පුරෝකථනය කිරීම වෙනුවට, ලොජිස්ටික් ප්රතිගමනය, අනාවැකිකරුවන්ගේ රේඛීය සංයෝජනයක් භාවිතා කරමින් ලොජිස්ටික්-ඔඩ්ස් පුරෝකථනය කරයි z. ඉන්පසු ලොජිස්ටික් (සිග්මොයිඩ්) ශ්රිතය භාවිතයෙන් ලොජිස්ටික්-ඔඩ්ස් පරිවර්තනය කරනු ලබන්නේ 0 සහ 1 අතර සම්භාවිතාවන් ඇති කිරීම සඳහා ය.
ද්විමය ලොජිස්ටික් ප්රතිගමනය යනු සිග්මොයිඩ් ශ්රිතය භාවිතා කරන සම්භාවිතා වර්ගීකරණ ආකෘතියක් වන අතර එය ප්රතිඵල දෙකෙන් එකක සම්භාවිතාව පුරෝකථනය කරයි, එය සංඛ්යාලේඛන, දත්ත විද්යාව සහ යන්ත්ර ඉගෙනීමේදී අර්ථකථනය කළ හැකි ද්විමය තීරණ ගැනීම සඳහා බහුලව භාවිතා වේ.
ආදර්ශ පරාමිතීන් උපරිම සම්භාවිතාව ඇස්තමේන්තුව (MLE) භාවිතයෙන් ඇස්තමේන්තු කර ඇත. ප්රතිඵල වර්ගීකරණය කිරීම සඳහා එළිපත්ත අගයක් (සාමාන්යයෙන් 0.5) භාවිතා කරයි (P≥0.5 → පන්තිය 1 නම්; P<0.5 → පන්තිය 0 නම්).
බහුපද ලොජිස්ටික් ප්රතිගමනය යනු ස්වාධීන විචල්යයන් (පුරෝකථක) කට්ටලයක් සහ හැකි ප්රතිඵල දෙකකට වඩා ඇති වර්ගීකරණ යැපෙන විචල්යයක් අතර සම්බන්ධතාවය ආදර්ශනය කිරීමට භාවිතා කරන සංඛ්යානමය සහ යන්ත්ර ඉගෙනුම් ක්රමයකි, එහිදී කාණ්ඩවලට ස්වාභාවික අනුපිළිවෙලක් නොමැත.
ආකෘතිය: k පන්තිය සඳහා:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x එහිදී j=1,2...K
කොහෙද: - x = විශේෂාංග දෛශිකය
w_k = k පන්තිය සඳහා බර
K = පන්ති ගණන
යෙදුම තුළ සෑම වස්තුවක්ම Object_k( object_1, object_2 ... object_m) ස්වාධීන විචල්යයන් ( X_ki – විශේෂාංග, i = 1...n ) සහ යැපෙන විචල්යයක් ( Y_k -ඉලක්කය) මගින් විස්තර කෙරේ. සංගුණකවල ප්රශස්ත අගයන් ගණනය කිරීම සඳහා සාමාන්ය අවම වර්ග (OLS) වැනි ක්රමයක් භාවිතා කරයි (beta_0, beta_1, beta_2, ..., beta_n). ඉලක්ක අගය ගණනය කරනු ලබන්නේ:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
කොහෙද: P_1, P_2...P_n යනු ඉලක්කයේ පුරෝකථනය කරන්නන් වේ.
AppMultiNomialLogisticRegression.db ලෙස නම් කර ඇති දත්ත සමුදාය (DB) වර්ගයේ SQLite හි බහු ලොජිස්ටික් ප්රතිගාමී ආකෘති සඳහා යෙදුම දත්ත සුරකියි. ප්රතිගාමී ආකෘති නාමයෙන් වෙන්කර හඳුනාගත හැකිය.
යෙදුමේ ආරම්භක තිරය (යෙදුම් බහුපද රේඛීය ලොජිස්ටික් ප්රතිගාමී විසඳුම්කරු) ප්රතිගාමී ආකෘතිවල සාම්පල ලැයිස්තුවක් (ස්පිනර් ලැයිස්තුවේ) සහ ප්රතිගාමී ආකෘතිවල සාම්පල නිර්මාණය කිරීමට (නව නියැදිය), පූරණය කිරීමට (පූරණය කිරීමට), සුරැකීමට (සුරකින්න), ලෙස සුරකින්න (ලෙස සුරකින්න), ගණනය කිරීමට (ගණනය කිරීමට) සහ මකා දැමීමට (මකන්න) සක්රීය කිරීම සඳහා බොත්තම් පෙන්වයි. ප්රධාන තිරයෙන්, මෙනු අංග හරහා, ඔබට භාෂා තේරීම, දත්ත සමුදාය සුරැකීම සහ පිටපත් කිරීම, නියැදි දත්ත සමඟ දත්ත සමුදාය ආරම්භ කිරීම සහ යෙදුම සඳහා උදව්, සැකසුම් සහ කතුවරුන් විසින් සියලුම යෙදුම් පිළිබඳ විස්තරයක් සහිත වෙබ් අඩවියට සබැඳියක් වැනි සහායක කාර්යයන් වෙත ප්රවේශ විය හැකිය.
(නව නියැදිය) නිර්මාණය කිරීම සඳහා වන කාර්යයන් අතරට අනුකෘතියේ ප්රමාණය ඇතුළත් කිරීම සඳහා සංවාදය ඇතුළත් වේ, එහිදී නව නියැදියේ දත්ත ඇතුළත් කිරීම - පේළි ගණන (P_1, P_2...P_n– අවසාන පේළිය සඳහා පේළිය ඇතුළත් අංකය) සහ තීරු ගණන (Y_1, Y_2,...Y_k– අවසාන තීරුව සඳහා තීරුව ඇතුළත් අංකය) ඇතුළත් වේ. ඉන්පසු අදාළ දත්ත ඇතුළත් කිරීම සඳහා උත්පාදක වගුව. සුරකින ලද වගුවට පෙර ජනනය කළ වගුව නම් කළ යුතුය. ශ්රිතය පූරණය වගුව හිස් කරන්න.
පැරණි සුරකින ලද වගුව භ්රමක ලැයිස්තුවෙන් තෝරාගත් එකක් මගින් පෙන්වනු ලැබේ. පෙන්වන වගුව ගණනය කළ හැකි අතර විසඳුම යෙදුම් ප්රතිඵල සංවාදයේ දිස්වේ. AppMultipleLogisticRegressionSolver.txt ගොනුවේ මෙම සංවාදයෙන් මුද්රණය ශ්රිතය ක්රියාත්මක කළ හැකිය. මුද්රණය ඇතුළත් ක්රියාකාරකම් මඟින් Db/Save ගොනුව සුරකින්න එය තෝරාගෙන ගොනුව සුරැකිය යුතු ෆෝල්ඩරය තෝරා ඇත. ෆෝල්ඩරය තේරීමෙන් පසු සුරැකීම සඳහා බොත්තම දිස්වේ. එම ක්රියාකාරකමෙන් තෝරාගත් ගොනුවේ අන්තර්ගතය පෙන්වනු ඇති අතර තෝරාගත් ගොනුව මකා දැමිය හැකිය.
යාවත්කාලීන කළේ
ආරක්ෂාව ඇරඹෙනුයේ සංවර්ධකයන් ඔබේ දත්ත රැස් කර බෙදා ගන්නා ආකාරය අනුවය. දත්ත රහස්යතා හා ආරක්ෂා පරිචයන් ඔබේ භාවිතය, කලාපය හා වයස අනුව වෙනස් විය හැක. සංවර්ධකයා විසින් මෙම තොරතුරු සැපයූ අතර කලින් කලට ඒවා යාවත්කාලීන කරනු ලැබිය හැක.
තෙවැනි පාර්ශ්වයන් සමග කිසිදු දත්තයක් බෙදා ගනු නොලැබේ
වැඩි විස්තර දැනගන්න සංවර්ධකයන් බෙදා ගැනීම ප්රකාශ කරන ආකාරය ගැන
කිසිදු දත්තයක් රැස් කරනු නොලැබේ
වැඩි විස්තර දැනගන්න සංවර්ධකයන් එකතුව ප්රකාශ කරන ආකාරය ගැන
යෙදුම් සහය
phone
දුරකථන අංකය
+359888569075
සංවර්ධක පිළිබඳව
Ivan Zdravkov Gabrovski
ivan_gabrovsky@yahoo.com
жк.Младост 1 47 вх 1 ет. 16 ап. 122
1784 общ. Столична гр София
Bulgaria
