MultiLinearLogistic Regr-ions

ivan gabrovski

விளம்பரங்கள் உள்ளன

இந்த ஆப்ஸ் பற்றி

பல (பன்முகத்தன்மை) பைனரி லாஜிஸ்டிக் பின்னடைவுக்கான நடைமுறை வழிகாட்டி கீழே உள்ளது — அதாவது, பல அம்சங்களிலிருந்து பைனரி விளைவை (0/1) கணிப்பது.

பைனோமியல் லாஜிஸ்டிக் பின்னடைவு (பொதுவாக லாஜிஸ்டிக் பின்னடைவு என்று அழைக்கப்படுகிறது) என்பது ஒன்று அல்லது அதற்கு மேற்பட்ட சுயாதீன மாறிகள் மற்றும் பைனரி (இரண்டு-வகை) விளைவுக்கு இடையிலான உறவை மாதிரியாக்கப் பயன்படுத்தப்படும் ஒரு புள்ளிவிவர முறையாகும்.

பைனரி: இலக்கு y∈{0,1}

பல (பன்முகத்தன்மை): ஒன்றுக்கு மேற்பட்ட உள்ளீட்டு அம்சம் x_1, x_2, ..., x_n​
மாதிரி:

p(y=1∣x)=1/(1+e^{−z}), இங்கு z=w_0+w_1*x_1+⋯+w_n*x_n

மற்றும் w_0, w_1...w_n என்பது x_1, x_2, ..., x_n மற்றும் y மற்றும் கணிப்புகளுக்கு இடையிலான பிழைகளால் கணக்கிடப்படும் எடைகள் ஆகும்.
மதிப்புகளை நேரடியாகக் கணிப்பதற்குப் பதிலாக, லாஜிஸ்டிக் பின்னடைவு, முன்னறிவிப்பாளர்களின் நேரியல் கலவையைப் பயன்படுத்தி பதிவு-ஒற்றைப்படைகளை முன்னறிவிக்கிறது. பின்னர் லாஜிஸ்டிக் (சிக்மாய்டு) செயல்பாட்டைப் பயன்படுத்தி 0 மற்றும் 1 க்கு இடையிலான நிகழ்தகவுகளை உருவாக்குகிறது.
பைனரி லாஜிஸ்டிக் பின்னடைவு என்பது ஒரு நிகழ்தகவு வகைப்பாடு மாதிரியாகும், இது சிக்மாய்டு செயல்பாட்டைப் பயன்படுத்தி இரண்டு விளைவுகளில் ஒன்றின் சாத்தியக்கூறுகளைக் கணிக்கப் பயன்படுகிறது, இது புள்ளிவிவரங்கள், தரவு அறிவியல் மற்றும் இயந்திர கற்றலில் விளக்கக்கூடிய பைனரி முடிவெடுப்பதற்கு பரவலாகப் பயன்படுத்தப்படுகிறது.
மாதிரி அளவுருக்கள் அதிகபட்ச வாய்ப்பு மதிப்பீட்டை (MLE) பயன்படுத்தி மதிப்பிடப்படுகின்றன. விளைவுகளை வகைப்படுத்த ஒரு வரம்பு மதிப்பு (பொதுவாக 0.5) பயன்படுத்தப்படுகிறது (P≥0.5 → வகுப்பு 1 என்றால்; P<0.5 → வகுப்பு 0 என்றால்).
பன்முகத்தன்மை லாஜிஸ்டிக் பின்னடைவு என்பது ஒரு புள்ளிவிவர மற்றும் இயந்திர கற்றல் முறையாகும், இது சுயாதீன மாறிகள் (முன்கணிப்பாளர்கள்) மற்றும் இரண்டுக்கும் மேற்பட்ட சாத்தியமான விளைவுகளைக் கொண்ட ஒரு வகைப்படுத்தப்பட்ட சார்பு மாறிக்கு இடையிலான உறவை மாதிரியாக்கப் பயன்படுகிறது, அங்கு வகைகளுக்கு இயற்கையான வரிசைமுறை இல்லை.

மாதிரி: k வகுப்பிற்கு:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x இங்கு j=1,2...K
எங்கே: - x = அம்ச வெக்டர்
w_k = k வகுப்பிற்கான எடைகள்
K = வகுப்புகளின் எண்ணிக்கை
பயன்பாட்டில் ஒவ்வொரு பொருளும் Object_k( object_1, object_2 ... object_m) சுயாதீன மாறிகள் ( X_ki – அம்சங்கள், i = 1...n ) மற்றும் ஒரு சார்பு மாறி ( Y_k - இலக்கு ) மூலம் விவரிக்கப்படுகின்றன. குணகங்களின் (beta_0, beta_1, beta_2, ..., beta_n) உகந்த மதிப்புகளைக் கணக்கிட சாதாரண குறைந்தபட்ச சதுரங்கள் (OLS) போன்ற ஒரு முறை பயன்படுத்தப்படுகிறது. இலக்கு மதிப்பு இதன் மூலம் கணக்கிடப்படுகிறது:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
எங்கே: P_1, P_2...P_n ஆகியவை இலக்கின் முன்னறிவிப்பாளர்கள்.
AppMultiNomialLogisticRegression.db என பெயரிடப்பட்ட தரவுத்தள (DB) வகை SQLite இல் பல லாஜிஸ்டிக் பின்னடைவு மாதிரிகளுக்கான பயன்பாடு தரவைச் சேமிக்கிறது. பின்னடைவு மாதிரிகள் பெயரால் வேறுபடுகின்றன.

பயன்பாட்டின் தொடக்கத் திரை (ஆப் மல்டினோமியல் லீனியர் லாஜிஸ்டிக் பின்னடைவு தீர்வி) பின்னடைவு மாதிரிகளின் மாதிரிகளின் பட்டியலை (ஸ்பின்னர் பட்டியலில்) காட்டுகிறது மற்றும் செயல்பாடுகளை உருவாக்க (புதிய மாதிரி), ஏற்ற (ஏற்ற), சேமி (சேமி), இவ்வாறு சேமி (இவ்வாறு சேமி), கணக்கிட (கணக்கிடு) மற்றும் நீக்க (நீக்கு) மாதிரிகளை இயக்குவதற்கான பொத்தான்களைக் காட்டுகிறது. பிரதான திரையில் இருந்து, மெனு கூறுகள் வழியாக, மொழித் தேர்வு, தரவுத்தளத்தைச் சேமித்தல் மற்றும் நகலெடுப்பது, மாதிரித் தரவைக் கொண்டு தரவுத்தளத்தைத் துவக்குதல் மற்றும் பயன்பாட்டிற்கான உதவி, அமைப்புகள் மற்றும் ஆசிரியர்களால் அனைத்து பயன்பாடுகளின் விளக்கத்துடன் வலைத்தளத்திற்கான இணைப்பு போன்ற துணை செயல்பாடுகளையும் நீங்கள் அணுகலாம்.
(புதிய மாதிரி) உருவாக்குவதற்கான செயல்பாடுகளில், மேட்ரிக்ஸின் அளவை உள்ளிடுவதற்கான உரையாடல் அடங்கும், அங்கு புதிய மாதிரியின் தரவை உள்ளிடுவது - வரிசைகளின் எண்ணிக்கை (கணிக்கப்படும் தரவுக்கான வரிசை எண் P_1, P_2...P_n– கடைசி வரிசை எண்) மற்றும் நெடுவரிசைகளின் எண்ணிக்கை (சார்பு தரவுக்கான நெடுவரிசை எண் Y_1, Y_2,...Y_k– கடைசி நெடுவரிசை எண்) ஆகியவை அடங்கும். பின்னர் தொடர்புடைய தரவை உள்ளிடுவதற்கான உருவாக்க அட்டவணை. சேமிக்கப்படுவதற்கு முன் நிரப்பப்பட்ட அட்டவணை பெயரிடப்பட வேண்டும். சுமை செயல்பாடு அட்டவணையை அழிக்கவும்.
பழைய சேமிக்கப்பட்ட அட்டவணை ஸ்பின்னர் பட்டியலிலிருந்து தேர்ந்தெடுக்கப்பட்டதன் மூலம் காட்டப்படலாம். காட்டும் அட்டவணை கணக்கிடப்படலாம் மற்றும் தீர்வு உரையாடல் பயன்பாட்டு முடிவுகளில் தோன்றும். AppMultipleLogisticRegressionSolver.txt கோப்பில் உள்ள இந்த உரையாடலில் இருந்து அச்சு செயல்பாடு செயல்படுத்தப்படலாம். அச்சு செயல்பாடு சேமி Db/சேமி கோப்பை அதன் மூலம் கோப்பை சேமிக்க வேண்டிய கோப்புறை தேர்ந்தெடுக்கப்படுகிறது. கோப்புறையைத் தேர்ந்தெடுத்த பிறகு சேமிப்பதற்கான பொத்தான் தோன்றும். அதே செயல்பாட்டிலிருந்து தேர்ந்தெடுக்கப்பட்ட கோப்பின் உள்ளடக்கம் காட்டப்படலாம், மேலும் தேர்ந்தெடுக்கப்பட்ட கோப்பை நீக்கவும்.