Մեքենայական ուսուցումը ձևակերպվում է որպես կորուստների գործառույթի «նվազագույնի հասցնելու խնդիրներ» `տրված օրինակների վերաբերյալ (հավաքածուի դասակարգ): Այս գործառույթը արտահայտում է անհամապատասխանությունը վերապատրաստված մոդելի կողմից կանխատեսված արժեքների և յուրաքանչյուր օրինակի համար ակնկալվող արժեքների միջև:
Վերջնական նպատակը մոդելին սովորեցնել դասընթացների շարքում չներկայացած մի շարք ատյանների վրա ճիշտ կանխատեսելն է:
Մեթոդ, ըստ որի հնարավոր է տարբերակել ալգորիթմի տարբեր կատեգորիաներ, որոշակի համակարգից ակնկալվող արդյունքի տեսակն է. Machine Learning.
Հիմնական կատեգորիաների թվում մենք գտնում ենք.
Դասակարգման օրինակ է մեկ կամ մի քանի պիտակների հանձնումը պատկերին, որը հիմնված է դրանում պարունակվող առարկաների կամ առարկաների վրա.
Ռեգրեսիայի օրինակ է հանդիսանում մի տեսարանի խորության գնահատումը նրա ներկայացուցչությունից `գունավոր պատկերի տեսքով:
Փաստորեն, տվյալ ելքի տիրույթը իրականում անսահման է և չի սահմանափակվում հնարավորությունների որոշակի դիսկրետ մի շարք.
Գծային ռեգրեսիան էլայնորեն օգտագործվող մոդելը, որն օգտագործվում է իրական արժեքները գնահատելու համար, ինչպիսիք են.
և հետևում է շարունակական փոփոխականների չափանիշին.
Գծային ռեգրեսիայում անկախ փոփոխականների և կախված փոփոխականների միջև փոխհարաբերություններին հաջորդում է մի տողի միջոցով, որը սովորաբար ներկայացնում է երկու փոփոխականի միջև փոխհարաբերությունները:
Հարմարվող գիծը հայտնի է որպես ռեգրեսիայի գիծ և ներկայացված է Y = a * X + b տիպի գծային հավասարումով:
Բանաձևը հիմնված է միջնորդավորված տվյալների վրա `երկու կամ ավելի բնութագրեր միմյանց կապելու համար: Երբ ալգորիթմին տալիս եք մուտքային բնութագիր, հետընթացը վերադարձնում է մյուս բնութագիրը:
Երբ մենք ունենք ավելի քան մեկ անկախ փոփոխական, ապա մենք խոսում ենք բազմակի գծային ռեգրեսիայի մասին ՝ ենթադրելով մի մոդելի հետևյալի մասին.
յ = բ0 + B1x1 + B2x2 +… + Բnxn
Ըստ էության, հավասարումը բացատրում է շարունակական կախված կախյալ փոփոխականի (y) և երկու կամ ավելի անկախ փոփոխականների (x1, x2, x3…) միջև փոխհարաբերությունները:
Օրինակ, եթե մենք ցանկանայինք գնահատել մեքենայի CO2 արտանետումը (կախված փոփոխական y) ՝ հաշվի առնելով շարժիչի հզորությունը, բալոնների քանակը և վառելիքի սպառումը: Այս վերջին գործոնները x1, x2 և x3 անկախ փոփոխականներն են: Կոնստանտանտ bi- ն իրական թվեր է և կոչվում են մոդելի գնահատված հետընթացի գործակիցներ: Y- ը շարունակական կախվածության փոփոխական է, այսինքն ՝ b0, b1 x1, b2 x2 և այլն: y կլինի իրական թիվ:
Բազմակի ռեգրեսիայի վերլուծությունը մի մեթոդ է, որն օգտագործվում է `պարզելու ազդեցությունը, որն ունեն անկախ փոփոխականները կախվածության փոփոխականի վրա:
Հասկանալով, թե ինչպես է կախվածությունը փոփոխական փոփոխվում, քանի որ փոփոխվում են անկախ փոփոխականները, մեզ թույլ է տալիս կանխատեսել իրական իրավիճակներում փոփոխությունների հետևանքները կամ ազդեցությունները:
Օգտագործելով բազմակի գծային ռեգրեսիա հնարավոր է հասկանալ, թե ինչպես է արյան ճնշումը փոխվում, քանի որ մարմնի զանգվածի ինդեքսը փոխվում է ՝ հաշվի առնելով այնպիսի գործոններ, ինչպիսիք են տարիքը, սեռը և այլն, դրանով իսկ ենթադրելով, թե ինչ կարող է պատահել:
Բազմակի ռեգրեսիայի միջոցով մենք կարող ենք գնահատումներ ստանալ գնային տենդենցների վերաբերյալ, ինչպիսիք են նավթի կամ ոսկու ապագա միտումը:
Վերջապես, բազմակի գծային ռեգրեսիան ավելի մեծ հետաքրքրություն է առաջացնում մեքենայական ուսուցման և արհեստական ինտելեկտի բնագավառում, քանի որ այն թույլ է տալիս ձեռք բերել ուսումնառության մոդելներ նույնիսկ այն դեպքում, երբ վերլուծության ենթարկվի մեծ թվով գրառումներ:
Լոգիստիկ ռեգրեսիան վիճակագրական գործիք է, որի նպատակն է մոդելավորել Binomial արդյունքը մեկ կամ մի քանի բացատրական փոփոխականներով:
Այն հիմնականում օգտագործվում է երկուական խնդիրների դեպքում, որտեղ կա ընդամենը երկու դաս, օրինակ ՝ Այո կամ Ոչ, 0 կամ 1, տղամարդ կամ կին և այլն: ...
Այս եղանակով հնարավոր է նկարագրել տվյալները և բացատրել երկուական կախվածության փոփոխականի և մեկ կամ մի քանի անվանական կամ սովորական անկախ փոփոխականների միջև փոխհարաբերությունները:
Արդյունքը որոշվում է լոգիստիկ ֆունկցիայի կիրառման շնորհիվ, որը գնահատում է հավանականությունը և հետո defiավարտում է ստացված հավանականության արժեքին ամենամոտ դասը (դրական կամ բացասական):
Մենք կարող ենք լոգիստիկ ռեգրեսիան համարել որպես ընտանիքը դասակարգելու մեթոդ վերահսկվող ուսուցման ալգորիթմներ.
Օգտագործելով վիճակագրական մեթոդներ, լոգիստիկ ռեգրեսիան թույլ է տալիս ստեղծել արդյունք, որն, ըստ էության, հավանականություն է ներկայացնում, որ տվյալ մուտքային արժեքը պատկանում է տվյալ դասին:
Binomial logistic regress- ի հետ կապված խնդիրներում հավանականությունը, որ ելքը պատկանում է մեկ դասին, կլինի P, մինչդեռ այն պատկանում է մյուս դասի 1-P- ին (որտեղ P- ն 0-ից և 1-ի միջև մի թիվ է, քանի որ այն արտահայտում է հավանականություն):
Երկուական լոգիստիկ ռեգրեսիան լավ է գործում բոլոր այն դեպքերում, երբ փոփոխականությունը, որը մենք փորձում ենք կանխատեսել, երկուական է, այսինքն ՝ այն կարող է տևել ընդամենը երկու արժեք ՝ 1-ը արժեքը, որը ներկայացնում է դրական դասը, կամ 0-ը արժեքը, որը ներկայացնում է բացասական դաս:
Լոգիստիկ ռեգրեսիայի միջոցով խնդիրների լուծման օրինակներ են.
Լոգիստիկ ռեգրեսիայի միջոցով մենք կարող ենք կանխատեսելի վերլուծություն իրականացնել ՝ չափելով հարաբերությունները, թե ինչ ենք ուզում կանխատեսել (կախված փոփոխական) և մեկ կամ մի քանի անկախ փոփոխականներից, այսինքն ՝ բնութագրերից: Հավանականության գնահատումը կատարվում է լոգիստիկ գործառույթի միջոցով:
Հավանականությունները հետագայում վերածվում են երկուական արժեքների, և կանխատեսումը իրական դարձնելու համար այս արդյունքը հանձնվում է այն դասին, որին նա պատկանում է ՝ ելնելով այն բանից, թե ինքը մոտ է դասին:
Օրինակ, եթե լոգիստիկ ֆունկցիայի կիրառումը վերադարձնում է 0,85, ապա դա նշանակում է, որ մուտքագրումը առաջացնում է դրական դաս ՝ նշանակելով այն 1-ին դասի: Եվ հակառակը, եթե այն ստացել էր այնպիսի արժեք, ինչպիսին է 0,4 կամ ավելի ընդհանուր <0,5 ..
Լոգիստիկ ռեգրեսիան օգտագործում է լոգիստիկ գործառույթը `մուտքային արժեքների դասակարգումը գնահատելու համար:
Լոգիստիկ գործառույթը, որը կոչվում է նաև sigmoid, կոր է, որն ի վիճակի է վերցնել ցանկացած քանակի իրական արժեք և նկարագրել այն 0-ից մինչև 1-ի միջև ընկած արժեքի, բացառելով ծայրահեղությունների: Գործառույթը հետևյալն է.
որտեղ է այն:
Լոգիստիկ ռեգրեսիան օգտագործում է հավասարումը որպես ներկայացուցչություն, որը նման է գծային հետընթացին
Մուտքի արժեքները (x) գծային համակցված են ՝ օգտագործելով կշիռները կամ գործակիցի արժեքները ՝ ելքային արժեքը կանխատեսելու համար (y): Գծային ռեգրեսիայի հիմնական տարբերությունն այն է, որ մոդելավորված ելքային արժեքը երկուական արժեք է (0 կամ 1), այլ ոչ թե թվային արժեք:
Ահա լոգիստիկ ռեգրեսիայի հավասարման մի օրինակ.
y = e^(b0 + b1 * x) / (1 + e^(b0 + b1 * x))
որտեղ `
Մուտքագրման տվյալների յուրաքանչյուր սյունն ունի կապված b գործակից (անընդհատ իրական արժեք), որը պետք է սովորել դասընթացի տվյալներից:
Մոդելի իրական ներկայացուցչությունը, որը դուք պահում եք հիշողությունը կամ ֆայլը, հավասարման գործակիցներն են (բետա կամ բ արժեքը):
Լոգիստիկ ռեգրեսիան մոդելավորում է լռելյայն դասի հավանականությունը:
Որպես օրինակ, եկեք ենթադրենք, որ մենք մարդկանց սեռը մոդելավորում ենք որպես տղամարդ կամ իգական սեռի հասակից, առաջին դասը կարող է լինել տղամարդ, իսկ լոգիստիկ ռեգրեսիայի մոդելը կարող է գրվել, քանի որ տղամարդը տղամարդու հասակից բարձրություն ունենալու հավանականությունն է կամ ավելին: պաշտոնապես.
P (սեռ = տղամարդ | բարձրություն)
Այլ կերպ գրված՝ մենք մոդելավորում ենք այն հավանականությունը, որ մուտքայինը (X) պատկանում է pre դասինdefinite (Y = 1), մենք կարող ենք գրել այն այսպես.
P (X) = P (Y = 1 | X) |
Հավանականության կանխատեսումը պետք է վերածվի երկուական արժեքների (0 կամ 1), որպեսզի իրականում կատարվի հավանականության կանխատեսում:
Լոգիստիկ ռեգրեսիան գծային մեթոդ է, բայց կանխատեսումները վերափոխվում են ՝ օգտագործելով լոգիստիկ ֆունկցիան: Դրա ազդեցությունն այն է, որ մենք այլևս չենք կարող հասկանալ կանխատեսումները, որպես մուտքերի գծային համադրություն, ինչպես կարող ենք գծային հետընթացով, օրինակ ՝ վերևից շարունակելով, մոդելը կարող է արտահայտվել հետևյալ կերպ.
p(X) = e ^ (b0 + b1 * X) / (1 + e ^ (b0 + b1 * X))
Այժմ մենք կարող ենք վերափոխել հավասարումը հետևյալին: Այն հակադարձելու համար մենք կարող ենք շարունակել `մի կողմը հեռացնելով e- ն, մյուս կողմից ավելացնելով բնական լոգարիթմ:
ln (p (X) / 1 - p (X)) = b0 + b1 * X
Այս կերպ մենք ստանում ենք այն փաստը, որ աջից ելքի հաշվարկը կրկին գծային է (ճիշտ այնպես, ինչպես գծային հետընթացը), իսկ ձախը `մուտքը, լռելյայն դասի հավանականության լոգարիթմ է:
Հավանականությունները հաշվարկվում են որպես իրադարձության հավանականության հարաբերակցություն, որը բաժանված է որևէ իրադարձության հավանականությամբ, օրինակ. 0,8 / (1-0,8), որի արդյունքը 4. է, այնպես որ մենք փոխարենը կարող էինք գրել.
ln (հավանականություն) = b0 + b1 * X
Քանի որ հավանականությունները մուտքագրվում են, մենք անվանում ենք այս ձախակողմյան մուտքի կամ հավանականություն:
Մենք կարող ենք վերադարձնել ցուցիչը դեպի աջ և գրել այն որպես.
հավանականություն = e ^ (b0 + b1 * X)
Այս ամենը մեզ օգնում է հասկանալ, որ իսկապես մոդելը դեռևս մուտքերի գծային համակցություն է, բայց որ այս գծային համակցությունը վերաբերում է նախնական դասի լոգարիթմական հավանականություններին։defiնիտա.
Լոգիստիկ ռեգրեսիայի ալգորիթմի գործակիցները (բետա կամ բ արժեքները) գնահատվում են ուսման փուլում: Դա անելու համար մենք օգտագործում ենք առավելագույն հավանականության գնահատում:
Առավելագույն հավանականության գնահատումը ուսուցման ալգորիթմ է, որն օգտագործվում է մեքենայական ուսուցման մի քանի ալգորիթմների կողմից: Մոդելի արդյունքում ստացված գործակիցները նախադպրոցական դասարանի համար կանխատեսում են 1-ին շատ մոտ արժեք (օրինակ՝ արական):definite և 0-ին շատ մոտ արժեք (օրինակ՝ իգական) մյուս դասի համար: Լոգիստիկ ռեգրեսիայի առավելագույն հավանականությունը գործակիցների համար արժեքներ գտնելու ընթացակարգ է (Բետա կամ ob արժեքներ), որոնք նվազագույնի են հասցնում մոդելի կողմից կանխատեսված հավանականությունների սխալը տվյալների համեմատ (օրինակ՝ հավանականություն 1, եթե տվյալները առաջնային դաս են): .
Մենք կօգտագործենք նվազագույնի հասցման ալգորիթմ ՝ դասընթացի տվյալների լավագույն գործակիցի արժեքները օպտիմալացնելու համար: Դա հաճախ գործնականում իրականացվում է գործնականում օգտագործելով թվային օպտիմիզացման արդյունավետ ալգորիթմ:
Veeam-ի Coveware-ը կշարունակի տրամադրել կիբեր շորթման միջադեպերի արձագանքման ծառայություններ: Coveware-ը կառաջարկի դատաբժշկական և վերականգնման հնարավորություններ…
Կանխատեսելի սպասարկումը հեղափոխություն է անում նավթի և գազի ոլորտում՝ կայանի կառավարման նորարարական և ակտիվ մոտեցմամբ:…
Մեծ Բրիտանիայի CMA-ն նախազգուշացում է տարածել արհեստական ինտելեկտի շուկայում Big Tech-ի վարքագծի վերաբերյալ: Այնտեղ…
Շենքերի էներգաարդյունավետության բարձրացման նպատակով Եվրոպական միության կողմից ձևակերպված «Քեյս Գրին» հրամանագիրը իր օրենսդրական գործընթացն ավարտել է…