MultiLinearLogistic Regr-ions

ivan gabrovski

Innehåller annonser

Om appen

Nedan följer en praktisk guide till multipel (multivariat) binär logistisk regression — dvs. att förutsäga ett binärt utfall (0/1) från flera funktioner.
Binomial logistisk regression (vanligtvis bara kallad logistisk regression) är en statistisk metod som används för att modellera förhållandet mellan en eller flera oberoende variabler och ett binärt (tvåkategoriserat) utfall.
Binär: mål y∈{0,1}
Multivariat: mer än en inmatningsfunktion x_1, x_2, ..., x_n​
Modell:
p(y=1∣x)=1/(1+e^{−z}), där z=w_0+w_1*x_1+⋯+w_n*x_n

och w_0, w_1...w_n är vikter beräknade med x_1, x_2, ..., x_n och fel mellan y och prediktorer.
Istället för att förutsäga värden direkt förutsäger logistisk regression log-odds med hjälp av en linjär kombination av prediktorer z. Log-oddsen transformeras sedan med hjälp av den logistiska (sigmoid) funktionen för att producera sannolikheter mellan 0 och 1.
Binär logistisk regression är en probabilistisk klassificeringsmodell som använder sigmoidfunktionen för att förutsäga sannolikheten för ett av två utfall, vilket gör den allmänt använd inom statistik, datavetenskap och maskininlärning för tolkningsbart binärt beslutsfattande.
Modellparametrar uppskattas med hjälp av Maximum Likelihood Estimation (MLE). Ett tröskelvärde (vanligtvis 0,5) används för att klassificera utfall (om P≥0,5 → klass 1; om P<0,5 → klass 0).
Multinomial logistisk regression är en statistisk och maskininlärningsmetod som används för att modellera förhållandet mellan en uppsättning oberoende variabler (prediktorer) och en kategorisk beroende variabel med mer än två möjliga utfall, där kategorierna inte har någon naturlig ordning. Modell: För klass k:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x där j=1,2...K
Där: - x = objektvektor
w_k = vikter för klass k
K = antal klasser
I appen beskrivs varje objekt Object_k(objekt_1, objekt_2 ... objekt_m) av oberoende variabler (X_ki – egenskaper, i = 1...n) och en beroende variabel (Y_k -mål). En metod som ordinär minstakvadratmetoden (OLS) används för att beräkna de optimala värdena för koefficienterna (beta_0, beta_1, beta_2, ..., beta_n). Målvärdet beräknas genom:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
där: P_1, P_2...P_n är prediktorer för målet.
Applikationen sparar data för flera logistiska regressionsmodeller i en databas (DB) av typen SQLite med namnet AppMultiNomialLogisticRegression.db. Regressionsmodellerna är olika med namn.
Applikationens startskärm (App Multinomial Linear Logistic Regression Solver) visar en lista med exempel på regressionsmodeller (i spinnerlistan) och knappar för att aktivera funktionerna för att skapa (Nytt exempel), ladda (Ladda), spara (Spara), spara som (Spara som), beräkna (Beräkna) och ta bort (Delete) exempel på regressionsmodeller. Från huvudskärmen, via menyelementen, kan du också komma åt funktioner som språkval, spara och kopiera databasen, initiera databasen med exempeldata och hjälpfunktioner som hjälp för applikationen, inställningar och en länk till webbplatsen med en beskrivning av alla applikationer av författarna.
Funktionerna för att skapa (nytt exempel) inkluderar dialogrutan för att mata in matrisstorleken där data för nytt exempel matas in – antal rader (antalet inkluderade rader för förväntade data P_1, P_2...P_n – sista raden) och antal kolumner (antalet inkluderade kolumner för beroende data Y_1, Y_2,...Y_k – sista kolumnen). Sedan genereras en tabell för att mata in relevant data. Den ifyllda tabellen måste namnges innan den sparas. Funktionen Ladda och rensa tabellen.
Den gamla sparade tabellen kan visas genom att väljas från rotationslistan. Den visade tabellen kan beräknas och lösningen visas i dialogrutan Appresultat. Funktionen Skriv ut kan köras från denna dialogruta i filen AppMultipleLogisticRegressionSolver.txt. Aktiviteten Skriv ut och inkludera Spara Db/Spara fil där den mapp som filen ska sparas väljs. Efter att mappen har valts visas en knapp för att spara. Från samma aktivitet kan innehållet i den valda filen visas, och även för att radera den valda filen.