Koji je naš plan za implementaciju logističke regresije u NumPy?
Smislimo prvo osnovnu matematiku koju želimo upotrijebiti.
Postoji mnogo načina za definiranje funkcije gubitka i pronalaženje optimalnih parametara za nju, među njima ćemo ovdje implementirati u naš | _+_ | poučite sljedeća 3 načina za učenje parametara:
- Jednadžbu logističke regresije prepisat ćemo tako da je pretvorimo u problem linearne regresije najmanjih kvadrata s različitim oznakama, a zatim ćemo koristiti formulu zatvorenog oblika za pronalaženje pondera:
- Kao i gore, pretvaramo logistiku u linearnu regresiju najmanjih kvadrata, ali umjesto formule zatvorenog oblika, koristimo stohastički gradijentni spust sa sljedećim gradijentom:
- Koristimo metodu procjene najveće vjerojatnosti (MLE), zapisujemo funkciju vjerojatnosti, poigravamo se s njom, ponavljamo je kao problem minimizacije i primjenjujemo SGD sa sljedećim gradijentom:
U gornjim jednadžbama X je ulazna matrica koja sadrži opažanja na osi retka i značajke na osi stupca; y je vektor stupca koji sadrži oznake klasifikacije (0 ili 1); f je zbroj kvadrata funkcije gubitka pogrešaka; h je funkcija gubitka za MLE metodu.
#python #strojno učenje #umjetna inteligencija #podatkovna znanost #logistička regresija
premadatascience.com
Kako kodirati logističku regresiju od nule pomoću NumPy -a
Kako kodirati logističku regresiju od nule pomoću NumPy -a. Oštrite svoje NumPy vještine dok učite Logističku regresiju