MultiLinearLogistic Regr-ions

ivan gabrovski

Reklam içerir

Bu uygulama hakkında

Aşağıda, birden fazla özellikten ikili bir sonucu (0/1) tahmin etme anlamına gelen Çoklu (çok değişkenli) İkili Lojistik Regresyon için pratik bir kılavuz bulunmaktadır.

İkili Lojistik Regresyon (genellikle sadece lojistik regresyon olarak adlandırılır), bir veya daha fazla bağımsız değişken ile ikili (iki kategorili) bir sonuç arasındaki ilişkiyi modellemek için kullanılan istatistiksel bir yöntemdir.

İkili: hedef y∈{0,1}
Çoklu (çok değişkenli): birden fazla giriş özelliği x_1, x_2, ..., x_n​
Model:
p(y=1∣x)=1/(1+e^{−z}), burada z=w_0+w_1*x_1+⋯+w_n*x_n

ve w_0, w_1...w_n, x_1, x_2, ..., x_n ve y ile tahminler arasındaki hatalar tarafından hesaplanan ağırlıklardır.
Lojistik regresyon, değerleri doğrudan tahmin etmek yerine, tahmin edicilerin (z) doğrusal bir kombinasyonunu kullanarak log-olasılıkları tahmin eder. Log-olasılıklar daha sonra lojistik (sigmoid) fonksiyonu kullanılarak 0 ile 1 arasında olasılıklar üretmek üzere dönüştürülür.
İkili Lojistik Regresyon, iki sonuçtan birinin olasılığını tahmin etmek için sigmoid fonksiyonunu kullanan olasılıksal bir sınıflandırma modelidir ve bu nedenle istatistik, veri bilimi ve makine öğrenmesinde yorumlanabilir ikili karar verme için yaygın olarak kullanılır.
Model parametreleri Maksimum Olabilirlik Tahmini (MLE) kullanılarak tahmin edilir. Sonuçları sınıflandırmak için bir eşik değeri (genellikle 0,5) kullanılır (P≥0,5 ise → sınıf 1; P<0,5 ise → sınıf 0).
Çok terimli lojistik regresyon, ikiden fazla olası sonucu olan ve kategorilerin doğal bir sıralaması olmayan bir dizi bağımsız değişken (tahmin edici) ile kategorik bir bağımlı değişken arasındaki ilişkiyi modellemek için kullanılan istatistiksel ve makine öğrenmesi bir yöntemdir.
Model: k sınıfı için:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x burada j=1,2...K
Burada: - x = özellik vektörü
w_k = k sınıfı için ağırlıklar
K = sınıf sayısı
Uygulamada her nesne Object_k (object_1, object_2 ... object_m), bağımsız değişkenler (X_ki – özellikler, i = 1...n) ve bir bağımlı değişken (Y_k - hedef) ile tanımlanır. Katsayıların (beta_0, beta_1, beta_2, ..., beta_n) en uygun değerlerini hesaplamak için sıradan en küçük kareler (OLS) gibi bir yöntem kullanılır. Hedef değer şu şekilde hesaplanır:

Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
burada: P_1, P_2...P_n hedefin tahmin edicileridir.

Uygulama, birden fazla lojistik regresyon modeli için verileri, AppMultiNomialLogisticRegression.db adlı SQLite türündeki veritabanına (DB) kaydeder. Regresyon modelleri isimleriyle ayırt edilir.
Uygulamanın (App Multinomial Linear Logistic Regression Solver) başlangıç ​​ekranı, regresyon modellerinin örneklerinin bir listesini (döndürme listesinde) ve regresyon modellerinin örneklerini oluşturma (Yeni örnek), yükleme (Yükle), kaydetme (Kaydet), farklı kaydet (Farklı kaydet), hesaplama (Hesapla) ve silme (Sil) işlevlerini etkinleştirmek için düğmeleri görüntüler. Ana ekrandan, menü öğeleri aracılığıyla, dil seçimi, veritabanını kaydetme ve kopyalama, veritabanını örnek verilerle başlatma gibi işlevlere ve uygulama yardımı, ayarlar ve yazarların tüm uygulamalarının açıklamasını içeren web sitesine bağlantı gibi yardımcı işlevlere de erişebilirsiniz.
(Yeni örnek) oluşturma işlevleri, yeni örneğin verilerini gireceğiniz matrisin boyutunu (satır sayısı - tahmin edilen veriler P_1, P_2...P_n - son satır dahil) ve sütun sayısını (bağımlı veriler Y_1, Y_2,...Y_k - son sütun dahil) girmek için bir iletişim kutusu içerir. Ardından, ilgili verileri girmek için bir tablo oluşturulur. Doldurulmuş tablo kaydedilmeden önce adlandırılmalıdır. Yükle işlevi tabloyu temizler.
Eski kaydedilmiş tablo, açılır listeden seçilerek gösterilebilir. Gösterilen tablo hesaplanabilir ve çözüm Uygulama sonuçları iletişim kutusunda görünür. Yazdır işlevi, bu iletişim kutusundan AppMultipleLogisticRegressionSolver.txt dosyasına yazdırılabilir. Yazdır işlevi, dosyayı kaydetmek için bir klasör seçebileceğiniz Veritabanını Kaydet/Dosyayı Kaydet etkinliğini içerir. Klasör seçildikten sonra kaydetme düğmesi görünür. Aynı etkinlikten seçilen dosyanın içeriği görüntülenebilir ve seçilen dosya silinebilir.