Toshkent axborot texnologiyalari universiteti samarqand filiali kompyuter tizimlari kafedrasi

Polinomial

Ushbu tasniflash shaklida qaram o'zgarmaydigan 3 yoki undan ko'p sonli tartibsiz turlarga yoki miqdoriy ahamiyatga ega bo'lmagan turlarga ega bo'lishi mumkin. Misol uchun, bu o'zgaruvchilar "a turi" yoki "b turi" yoki "C turi"ni ifodalaydi.

Tartib

Ushbu tasniflash shaklida qaram o'zgarmaydigan 3 yoki undan ko'p buyurtma turlari yoki miqdoriy ahamiyatga ega bo'lgan turlarga ega bo'lishi mumkin. Misol uchun, bu o'zgaruvchilar "yomon" yoki "yaxshi", "juda yaxshi", "yaxshi" va har bir toifadagi 0,1,2,3 kabi ballar bo'lishi mumkin.

Logistik regressiyasi taxminlari

• 
  Logistik regressiyasini amalga oshirishga kirmasdan oldin, biz bir xil taxminlar haqida bilishimiz kerak.
  
• 
  Ikkilik logistika regressiyasi holatida maqsadli o'zgaruvchilar har doim ikkilik bo'lishi kerak va kerakli natijalar 1 omil darajasida ifodalanadi.
  
• 
  Modelda multicollinerlik bo'lmasligi kerak, ya'ni mustaqil o'zgaruvchilar bir-biridan mustaqil bo'lishi kerak.
  
• 
  Bizning modeli muhim o'zgaruvchilar o'z ichiga olishi kerak.
  
• 
  Logistika regressiyasi uchun katta namunaviy o'lchamni tanlashimiz kerak.
  

Ikki tomonlama logistik regressiyasi modeli.

Logistika regressiyasining eng oddiy shakli ikkilik yoki binomial logistika regressiyasi bo'lib, unda maqsadli yoki qaram o'zgaruvchining faqat 2 turi bo'lishi mumkin: 1 yoki 0.

Polinomiy logistik regressiyasi modeli.

Logistik regressiyasining yana bir foydali shakli-maqsad yoki qaram o'zgaruvchining 3 yoki undan ko'p tartibsiz turlarga, ya'ni miqdoriy ahamiyatga ega bo'lmagan turlarga ega bo'lishi mumkin bo'lgan polinomial logistik regressiyasi.
Logistik regressiyanıń eng oddiy shakli bu ikkitalik yoki binomial logistikalıq regressiya dir, bunda matlab yoki unga aloqador bo'lgan o'zgaruvchi 1yoki 0 bo'lishi mumkin bo'lgan ikkita turga ega bo'lishi mumkin. Bu bizga bitta nechta taxminlik o'zgaruvchilar va ikkitalik / binomial matlab o'zgaruvchisi o'rtasidagi munosabatti modellashtirishga imkoniyat beradi. Logistik regressiya holida chiziqli funktsiya asosan quyidagi funktsiyadagi kabi boshqa funktsiyaga kirish sifatida ishlatiladi.

Bu yerda 𝑔 logistik yoki sigmasimon funkciya bo'lib, quyidagicha berilishi mumkin –

Sigmasimon egri chiziq quyidagi grafik yordamida ifodalanishi mumkin. Y ogi baholari 0 va 1 orasida yotganini va oqtı 0,5 ke kesib o'tganini ko'rishimiz mumkin.

Sinflarni ijobiy yoki salbiy deb ajratish mumkin. Chiqish ijobiy sinf ehtimoli ostida, agar u 0 va 1 orasida bo'lsa, ro'yobga oshirishlik uchun biz gipoteza funktsiyasini -0.5 bo'lsa, ijobiy deb aytamız, aks holda salbiy.

Algoritm funktsiyalarning vaznlari yordamida qanchalik yaxshi ijrosini o'lchash uchun yo'qotmoqlik funktsiyasini aniqlashimiz zurur, bu quyidagicha teta bilan ifodalanadi :
ℎ = 𝑔 (𝑋𝜃)

Endi, yo'qotmoqlik funktsiyasini aniqlagandan so'ng, bizning maqsadimiz yo'qotmoqlik funkciyasini minimallashtirish bo'lib topiladi. Vaznliktı oshirishlik yoki qisqartirishlik qirg'oqlari vaznlarni o'rnatish yordamida ro'yobga oshirilishi mumkin. Har bitta hajmdi yo'qotmoqlik funktsiyasi yordamida biz qanday parametrlarning vazni va qaysi hajmning vazni kichik bo'lishi kerakligin bilib olamiz.

Quyidagi gradiyent tushish tenglamasi parametrlarni o'zgartirgenimizde yo'qotmoqlik qanday o'zgarishin bizga aytib beradi –