MultiLinearLogistic Regr-ions

ivan gabrovski

యాడ్స్ ఉంటాయి

ఈ యాప్ గురించి పరిచయం

బహుళ (మల్టీవేరియేట్) బైనరీ లాజిస్టిక్ రిగ్రెషన్‌కు ఆచరణాత్మక మార్గదర్శి క్రింద ఉంది — అంటే, బహుళ లక్షణాల నుండి బైనరీ ఫలితాన్ని (0/1) అంచనా వేయడం.

బైనామియల్ లాజిస్టిక్ రిగ్రెషన్ (సాధారణంగా లాజిస్టిక్ రిగ్రెషన్ అని పిలుస్తారు) అనేది ఒకటి లేదా అంతకంటే ఎక్కువ స్వతంత్ర చరరాశులు మరియు బైనరీ (రెండు-వర్గాలు) ఫలితం మధ్య సంబంధాన్ని నమూనా చేయడానికి ఉపయోగించే గణాంక పద్ధతి.

బైనరీ: లక్ష్యం y∈{0,1}

మల్టీవేరియేట్ (మల్టీవేరియేట్): ఒకటి కంటే ఎక్కువ ఇన్‌పుట్ ఫీచర్ x_1, x_2, ..., x_n​
మోడల్:
p(y=1∣x)=1/(1+e^{−z}), ఇక్కడ z=w_0+w_1*x_1+⋯+w_n*x_n

మరియు w_0, w_1...w_n అనేది x_1, x_2, ..., x_n మరియు y మరియు అంచనాల మధ్య లోపాల ద్వారా లెక్కించబడిన బరువులు.
విలువలను నేరుగా అంచనా వేయడానికి బదులుగా, లాజిస్టిక్ రిగ్రెషన్ ప్రిడిక్టర్స్ z యొక్క లీనియర్ కలయికను ఉపయోగించి లాగ్-ఆడ్స్‌ను అంచనా వేస్తుంది. లాగ్-ఆడ్స్‌ను లాజిస్టిక్ (సిగ్మోయిడ్) ఫంక్షన్ ఉపయోగించి 0 మరియు 1 మధ్య సంభావ్యతలను ఉత్పత్తి చేయడానికి రూపాంతరం చెందుతాయి.

బైనరీ లాజిస్టిక్ రిగ్రెషన్ అనేది సంభావ్యత వర్గీకరణ నమూనా, ఇది సిగ్మోయిడ్ ఫంక్షన్‌ను ఉపయోగించి రెండు ఫలితాలలో ఒకదాని సంభావ్యతను అంచనా వేస్తుంది, ఇది గణాంకాలు, డేటా సైన్స్ మరియు యంత్ర అభ్యాసంలో అర్థమయ్యే బైనరీ నిర్ణయం తీసుకోవడంలో విస్తృతంగా ఉపయోగించబడుతుంది.

మోడల్ పారామితులను గరిష్ట సంభావ్యత అంచనా (MLE) ఉపయోగించి అంచనా వేస్తారు. ఫలితాలను వర్గీకరించడానికి థ్రెషోల్డ్ విలువ (సాధారణంగా 0.5) ఉపయోగించబడుతుంది (P≥0.5 → తరగతి 1 అయితే; P<0.5 → తరగతి 0 అయితే).

మల్టీనోమియల్ లాజిస్టిక్ రిగ్రెషన్ అనేది స్వతంత్ర చరరాశుల సమితి (ప్రిడిక్టర్స్) మరియు రెండు కంటే ఎక్కువ సాధ్యమైన ఫలితాలతో వర్గీకరణ ఆధారిత వేరియబుల్ మధ్య సంబంధాన్ని మోడల్ చేయడానికి ఉపయోగించే గణాంక మరియు యంత్ర అభ్యాస పద్ధతి, ఇక్కడ వర్గాలకు సహజ క్రమం ఉండదు.
మోడల్: తరగతి k కోసం:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x ఇక్కడ j=1,2...K
ఎక్కడ: - x = ఫీచర్ వెక్టర్
w_k ​​= తరగతి k కోసం బరువులు
K = తరగతుల సంఖ్య
యాప్‌లో ప్రతి వస్తువు Object_k( object_1, object_2 ... object_m) స్వతంత్ర వేరియబుల్స్ ( X_ki – లక్షణాలు, i = 1...n ) మరియు ఒక ఆధారిత వేరియబుల్ ( Y_k - లక్ష్యం ) ద్వారా వివరించబడుతుంది. గుణకాల (beta_0, beta_1, beta_2, ..., beta_n) యొక్క సరైన విలువలను లెక్కించడానికి సాధారణ కనీస చతురస్రాలు (OLS) వంటి పద్ధతి ఉపయోగించబడుతుంది. లక్ష్య విలువను దీని ద్వారా లెక్కిస్తారు:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
ఎక్కడ: P_1, P_2...P_n లక్ష్యం యొక్క అంచనాలు.
AppMultiNomialLogisticRegression.db అనే డేటాబేస్ (DB) రకం SQLiteలో బహుళ లాజిస్టిక్ రిగ్రెషన్ మోడల్‌ల కోసం అప్లికేషన్ సేవ్ డేటాను కలిగి ఉంటుంది. రిగ్రెషన్ మోడల్‌లు పేరు ద్వారా వేరు చేయబడతాయి.

అప్లికేషన్ యొక్క స్టార్టప్ స్క్రీన్ (యాప్ మల్టీనోమియల్ లీనియర్ లాజిస్టిక్ రిగ్రెషన్ సాల్వర్) రిగ్రెషన్ మోడల్‌ల నమూనాల జాబితాను (స్పిన్నర్ జాబితాలో) మరియు రిగ్రెషన్ మోడల్‌ల నమూనాలను సృష్టించడానికి (కొత్త నమూనా), లోడ్ (లోడ్), సేవ్ (సేవ్), సేవ్ (ఇలా సేవ్), లెక్కించు (లెక్కించు) మరియు తొలగించు (తొలగించు) ఫంక్షన్‌లను ఎనేబుల్ చేయడానికి బటన్‌లను ప్రదర్శిస్తుంది. ప్రధాన స్క్రీన్ నుండి, మెను ఎలిమెంట్‌ల ద్వారా, మీరు భాషా ఎంపిక, డేటాబేస్‌ను సేవ్ చేయడం మరియు కాపీ చేయడం, నమూనా డేటాతో డేటాబేస్‌ను ప్రారంభించడం మరియు అప్లికేషన్‌కు సహాయం, సెట్టింగ్‌లు మరియు రచయితల అన్ని అప్లికేషన్‌ల వివరణతో వెబ్‌సైట్‌కు లింక్ వంటి సహాయక ఫంక్షన్‌లను కూడా యాక్సెస్ చేయవచ్చు.
(కొత్త నమూనా) సృష్టించడానికి ఫంక్షన్లలో మ్యాట్రిక్స్ పరిమాణాన్ని ఇన్‌పుట్ చేయడానికి డైలాగ్ ఉంటుంది, ఇక్కడ కొత్త నమూనా యొక్క డేటాను నమోదు చేయడం - వరుసల సంఖ్య (P_1, P_2...P_n– చివరి వరుస కోసం వరుసను చేర్చండి) మరియు నిలువు వరుసల సంఖ్య (ఆధారిత డేటా కోసం సంఖ్య Y_1, Y_2,...Y_k– చివరి నిలువు వరుస కోసం కాలమ్‌ను చేర్చండి) మరియు సంబంధిత డేటాను నమోదు చేయడానికి జనరేట్ టేబుల్ ఉంటుంది. సేవ్ చేయడానికి ముందు జనాభా కలిగిన పట్టికకు పేరు పెట్టాలి. ఫంక్షన్ లోడ్ టేబుల్‌ను క్లియర్ చేయండి.
స్పిన్నర్ జాబితా నుండి ఎంచుకున్న పాత సేవ్ చేసిన పట్టికను చూపవచ్చు. చూపించే పట్టికను లెక్కించవచ్చు మరియు పరిష్కారం యాప్ ఫలితాల డైలాగ్‌లో కనిపిస్తుంది. AppMultipleLogisticRegressionSolver.txt ఫైల్‌లోని ఈ డైలాగ్ నుండి ప్రింట్ ఫంక్షన్‌ను అమలు చేయవచ్చు. ప్రింట్ ఇన్‌క్లూడ్ యాక్టివిటీ సేవ్ Db/సేవ్ ఫైల్ ద్వారా ఫైల్‌ను ఎక్కడ సేవ్ చేయాలో ఫోల్డర్‌ను ఎంచుకుంటారు. ఫోల్డర్‌ను ఎంచుకున్న తర్వాత సేవ్ చేయడానికి బటన్ కనిపిస్తుంది. అదే కార్యాచరణ నుండి ఎంచుకున్న ఫైల్ యొక్క కంటెంట్ చూపబడవచ్చు మరియు ఎంచుకున్న ఫైల్‌ను తొలగించవచ్చు.