MultiLinearLogistic Regr-ions

ivan gabrovski‏

اشتہارات شامل ہیں

اس ایپ کے بارے میں

ذیل میں ایک سے زیادہ (ملٹی ویریٹ) بائنری لاجسٹک ریگریشن کے لیے ایک عملی گائیڈ ہے —یعنی، متعدد خصوصیات سے بائنری نتائج (0/1) کی پیش گوئی کرنا۔
بائنومیئل لاجسٹک ریگریشن (جسے عام طور پر صرف لاجسٹک ریگریشن کہا جاتا ہے) ایک شماریاتی طریقہ ہے جو ایک یا زیادہ آزاد متغیرات اور بائنری (دو زمرہ) کے نتائج کے درمیان تعلق کو ماڈل کرنے کے لیے استعمال ہوتا ہے۔
بائنری: ہدف y∈{0,1}
متعدد (ملٹی ویریٹ): ایک سے زیادہ ان پٹ فیچر x_1, x_2, ..., x_n​
ماڈل:
p(y=1∣x)=1/(1+e^{−z})، جہاں z=w_0+w_1*x_1+⋯+w_n*x_n

اور w_0, w_1...w_n وہ وزن ہیں جن کا حساب x_1, x_2, ..., x_n اور y اور پیشین گوئیوں کے درمیان غلطیاں ہیں۔
اقدار کی براہ راست پیشین گوئی کرنے کے بجائے، لاجسٹک ریگریشن پیشین گوئی کرنے والے z کے لکیری امتزاج کا استعمال کرتے ہوئے لاگ اوڈز کی پیش گوئی کرتا ہے۔ لاگ اوڈز کو پھر لاجسٹک (sigmoid) فنکشن کا استعمال کرتے ہوئے 0 اور 1 کے درمیان امکانات پیدا کرنے کے لیے تبدیل کیا جاتا ہے۔
بائنری لاجسٹک ریگریشن ایک امکانی درجہ بندی کا ماڈل ہے جو سگمائیڈ فنکشن کا استعمال کرتے ہوئے دو نتائج میں سے کسی ایک کے امکان کا اندازہ لگاتا ہے، جس سے اسے اعداد و شمار، ڈیٹا سائنس، اور مشین لرننگ میں تشریحی بائنری فیصلہ سازی کے لیے وسیع پیمانے پر استعمال کیا جاتا ہے۔
ماڈل کے پیرامیٹرز کا تخمینہ زیادہ سے زیادہ امکان کا تخمینہ (MLE) استعمال کرتے ہوئے لگایا جاتا ہے۔ ایک حد کی قدر (عام طور پر 0.5) نتائج کی درجہ بندی کرنے کے لیے استعمال کی جاتی ہے (اگر P≥0.5 → کلاس 1؛ اگر P<0.5 → کلاس 0)۔
ملٹی نامی لاجسٹک ریگریشن ایک شماریاتی اور مشین لرننگ طریقہ ہے جو آزاد متغیرات (پیش گوئی کرنے والوں) کے ایک سیٹ اور دو سے زیادہ ممکنہ نتائج کے ساتھ ایک زمرہ دار منحصر متغیر کے درمیان تعلق کو ماڈل کرنے کے لیے استعمال کیا جاتا ہے، جہاں زمروں کی کوئی فطری ترتیب نہیں ہوتی ہے۔
ماڈل: کلاس کے لیے:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x جہاں j=1,2...K
کہاں: - x = فیچر ویکٹر
w_k = کلاس k کے لیے وزن
K = کلاسوں کی تعداد
ایپ میں ہر آبجیکٹ Object_k( object_1, object_2 ... object_m) کو آزاد متغیر (X_ki – خصوصیات، i = 1...n ) اور ایک منحصر متغیر (Y_k -target) کے ذریعے بیان کیا جاتا ہے۔ ایک طریقہ جیسا کہ عام کم سے کم مربع (OLS) کو قابلیت (beta_0, beta_1, beta_2, ..., beta_n) کی بہترین اقدار کا حساب لگانے کے لیے استعمال کیا جاتا ہے۔ ہدف کی قیمت کا حساب اس طرح کیا جاتا ہے:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
جہاں: P_1, P_2...P_n ہدف کے پیش گو ہیں۔
ایپلی کیشن ڈیٹا بیس (DB) قسم کے SQLite میں متعدد لاجسٹک ریگریشن ماڈلز کے لیے ڈیٹا محفوظ کرتی ہے جس کا نام AppMultiNomialLogisticRegression.db ہے۔ رجعت کے ماڈل نام سے ممتاز ہیں۔
ایپلیکیشن کی اسٹارٹ اپ اسکرین (App Multinomial Linear Logistic Regression Solver) ریگریشن ماڈلز کے نمونوں کی ایک فہرست دکھاتی ہے (اسپنر لسٹ میں) اور فنکشنز کو تخلیق کرنے کے لیے بٹن (نیا نمونہ)، لوڈ (لوڈ)، محفوظ کریں (محفوظ کریں)، بطور محفوظ کریں، کیلکولیٹ کریں (حساب کریں) اور ڈیلیٹ (ڈیلیٹ) نمونے کو حذف کریں۔ مین سکرین سے، مینو عناصر کے ذریعے، آپ فنکشنز تک رسائی حاصل کر سکتے ہیں جیسے کہ زبان کا انتخاب، ڈیٹا بیس کو محفوظ کرنا اور کاپی کرنا، ڈیٹا بیس کو نمونہ ڈیٹا کے ساتھ شروع کرنا، اور معاون فنکشنز جیسے ایپلی کیشن کے لیے مدد، سیٹنگز، اور مصنفین کی تمام ایپلی کیشنز کی تفصیل کے ساتھ ویب سائٹ کا لنک۔
(نیا نمونہ) بنانے کے فنکشنز میں میٹرکس کے سائز کا ڈائیلاگ شامل ہوتا ہے جہاں نئے نمونے کا ڈیٹا داخل کیا جاتا ہے - قطاروں کی تعداد (نمبر میں پیش گوئی شدہ ڈیٹا کے لیے قطار شامل ہوتی ہے P_1، P_2...P_n– آخری قطار) اور کالموں کی تعداد (نمبر میں منحصر ڈیٹا کے لیے کالم شامل ہوتا ہے Y_1، Y_2،...Y_n– آخری کالم)۔ پھر متعلقہ ڈیٹا داخل کرنے کے لیے ٹیبل تیار کرتے ہیں۔ محفوظ کرنے سے پہلے پاپولٹ ٹیبل کا نام ضروری ہے۔ فنکشن لوڈ ٹیبل کو صاف کرتا ہے۔
پرانی محفوظ کردہ ٹیبل اسپنر لسٹ سے منتخب کرکے دکھائی دے سکتی ہے۔ شو ٹیبل کا حساب لگایا جا سکتا ہے اور ڈائیلاگ ایپ کے نتائج میں حل ظاہر ہوتا ہے۔ فنکشن پرنٹ کو اس ڈائیلاگ سے AppMultipleLogisticRegressionSolver.txt فائل میں عمل میں لایا جا سکتا ہے۔ پرنٹ میں ایکٹیویٹی شامل ہے Save Db/Save فائل اس کے ذریعے منتخب فولڈر ہیں جہاں فائل کو محفوظ کرنا ہے۔ فولڈر کو منتخب کرنے کے بعد محفوظ کرنے کا بٹن ظاہر ہوتا ہے۔ اسی سرگرمی سے منتخب فائل کا مواد دکھایا جا سکتا ہے، اور منتخب فائل کو حذف کرنا بھی۔