مشيني سکيا کي مثالن جي هڪ مقرر سيٽ (ٽريننگ سيٽ) جي خلاف نقصان جي فنڪشن جي ”گهٽ کان گهٽ مسئلا“ جي طور تي ترتيب ڏني وئي آهي. اهو خاصيت ماڊل جي تربيت ڪيل پيش ڪيل قدرن ۽ هر مثال جي خاطر متوقع قدرن جي وچ ۾ تفاوت ظاهر ڪري ٿي.
حتمي مقصد تربيتي سيٽ ۾ موجود نه ئي مثالن جي سيٽ تي صحيح طور تي اڳڪٿي ڪرڻ جي صلاحيت سکڻ آهي.
هڪ طريقو جنهن جي مطابق اهو ممڪن آهي ته مختلف قسمن جي الگورتھم ۾ فرق ڪرڻ ممڪن آهي پيداوار جو قسم آهي جنهن جي هڪ خاص سسٽم کان توقع ڪئي وئي آهي. مشين جي سکيا.
اسان سڀني قسمن جا مرڪزي ڀا Amongا ڳولي چڪا آهيون:
درجي بندي جو هڪ مثال تصوير ۾ شين تي يا لوڪ جي بنياد تي شين تي هڪ يا وڌيڪ ليبلن کي لڳائڻو آهي ؛
رجعت جو هڪ مثال هڪ منظر جي کوٽائي جو اندازو آهي ان جي نمائندگي کان رنگ واري تصوير جي شڪل ۾.
حقيقت ۾ ، سوال ۾ محصول جو ڊومين عمدي طور تي لامحدود آهي ، ۽ ممڪنن جي هڪ خاص مخصوص سيٽ تائين محدود نه آهي.
ليڪري ريگريشن آھيوڏي پيماني تي استعمال ٿيندڙ ماڊل حقيقي قدرن جو اندازو لڳائڻ لاءِ استعمال ڪيو ويندو آهي:
۽ مسلسل متغير جي معيار تي عمل ڪري ٿو:
لائينري ريگريشن ۾ ، آزاد تڪرار ۽ منحصر متغير جي وچ جو تعلق هڪ ليڪ جي ذريعي آهي جيڪو عام طور تي ٻن متغير جي وچ ۾ تعلق جي نمائندگي ڪري ٿو.
فٽ لائن ريگريشن لائن طور سڃاتو وڃي ٿو ۽ نمائندگي ڪئي وئي آهي Y = a * X + b جي قسم جي حساب سان.
فارمولا ٻن يا وڌيڪ خاصيتن کي هڪٻئي سان ڳن toڻ لاءِ مداخلت واري ڊيٽا تي ٻڌل آهي. جڏهن توهان الگورتھم کي هڪ انپٽ خاصيت ڏيو ، رجعت ٻئي خاصيت کي واپس ڏئي ٿو.
جڏهن اسان وٽ هڪ کان وڌيڪ آزاد متغير آهن ، تڏهن اسان ڪيترن ئي لڪيري ريگريشن جي ڳالهه ڪريون ٿا ، هيٺيان هڪ ماڊل فرض ڪندي:
ي = بي0 + b1x1 + b2x2 +… + بيnxn
بنيادي طور تي مساوات هڪ مستقل انحصار متغير (y) ۽ ٻن يا وڌيڪ آزاد متغيرن جي وچ ۾ تعلق جي وضاحت ڪري ٿي (x1 ، x2 ، x3…).
مثال طور ، جيڪڏهن اسان هڪ ڪار جي CO2 اخراج جو اندازو لڳائڻ چاهيندا هئاسين (انحصار متغير y) انجڻ جي طاقت ، سلنڈر جي تعداد ۽ ايندڻ جي استعمال تي غور ڪندي. اهي بعد ۾ عنصر آزاد متغير x1 ، x2 ۽ x3 آهن. Constants bi حقيقي نمبر آھن ۽ سڏيو وڃي ٿو ماڊل جي تخميني ريگريشن گنجائش. Y اھو آھي مسلسل منحصر متغیر ، يعني b0 ، b1 x1 ، b2 x2 وغيره y اصل نمبر ٿيندو.
ڪثرت ريگريشن جو تجزيو اهو طريقو آهي جيڪو اثر جي سڃاڻپ ڪرڻ لاءِ استعمال ڪيو ويو آهي ته آزاد متغير هڪ منحصر متغير تي آهن.
سمجھڻ سان ڪئين انحصار ڪندڙ متغير تبديليون جيئن ته آزاد متغير تبديليون اسان کي حقيقي حالتن ۾ تبديلي جي اثرن يا اثرن جي اڳڪٿي ڪرڻ جي اجازت ڏين ٿيون.
ڪيترن ئي لڪيري ريگريشن استعمال ڪندي اهو سمجهڻ ممڪن آهي ته بلڊ پريشر ڪيئن بدلجي ٿو جئين جسم جو ماس انڊيڪس عوامل تي غور ڪندي عمر ، جنس ۽ جنس وغيره تبديل ڪري ٿو.
ڪيترن ئي رجعتن سان اسين قيمت جي رجحان تي اندازو لڳائي سگھون ٿا ، جيئن تيل يا سون لاءِ مستقبل جو رجحان.
آخرڪار ، ڪيترائي لڪيري ريگريشن مشيني سکيا ۽ مصنوعي ذهانت جي ميدان ۾ گهڻي دلچسپي ڳولي رهي آهي جئين ته رڪارڊ جي وڏي تعداد جي صورت ۾ پڻ پرفارمنگ لرننگ ماڊل حاصل ڪرڻ جي اجازت ڏي.
منطقي ريگريشن هڪ شمارياتي اوزار آهي جنهن جو مقصد هڪ يا هڪ کان وڌيڪ تشريحاتي متغيرن سان هڪ بينيويوميل نتيجو کي ماڊل ڪرڻ آهي.
اهو عام طور تي بائنري مسئلن لاءِ استعمال ٿيندو آهي ، جتي فقط ٻه طبقا هوندا آهن ، مثال طور ها يا نه ، 0 يا 1 ، مرد يا عورت وغيره ...
انهي طريقي سان اهو ممڪن آهي ته ڊيٽا بيان ڪريو ۽ بائنري ڀاڙيندڙ متغير ۽ هڪ يا وڌيڪ آزاد ناميارن يا ٽرمينل متغيرن جي وچ ۾ تعلق بيان ڪري.
نتيجو طئي ڪيو ويو آهي هڪ لاجسٽڪ فنڪشن جي استعمال جي مهرباني، جيڪو هڪ امڪان جو اندازو لڳائي ٿو ۽ پوء defiحاصل ڪيل امڪاني قدر جي ويجھي طبقي (مثبت يا منفي) کي ختم ڪري ٿو.
اسان لوجيسٽ ريگريشن کي خاندان جي درجي بندي ڪرڻ جو طريقو سمجهي سگهون ٿا سکيا واري سکيا جا الگورٿم.
شمارياتي طريقا استعمال ڪندي ، منطقي رجعت جو نتيجو پيدا ڪرڻ جي اجازت ڏي ٿو ، جيڪو حقيقت ۾ ، امڪان جي نمائندگي ڪري ٿو ته ڏنل اندازي جو قدر هڪ ڏنل طبقي سان تعلق رکي ٿو.
بومينيول لاجسٽڪ ريگريشن مسئلن ۾ ، امڪان اهو آهي ته محصول هڪ طبقي سان تعلق رکي ٿي P ، جڏهن ته اهو ٻئي طبقي 1-P سان تعلق رکي ٿو (جتي P 0 ۽ 1 جي وچ ۾ هڪ نمبر آهي ڇاڪاڻ ته اهو هڪ امڪان جو اظهار آهي).
بائنومل لاجسٽڪ ريگريشن انهن سڀني صورتن ۾ سٺو ڪم ڪري ٿي جن ۾ متغير جيڪو اسان پيش ڪرڻ جي ڪوشش ڪري رهيا آهيون بائنري آهي ، اهو آهي ، اهو صرف ٻه قدر فرض ڪري سگهي ٿو: قيمت 1 جيڪو مثبت طبقي جي نمائندگي ڪندو ، يا اهو قدر 0 جيڪو منفي طبقي جي نمائندگي ڪندو.
مسئلن جا مثال جيڪي لاجسٽڪ ريگريشن سان حل ڪري سگھن ٿا:
منطقي رجعت سان اسين پيشنگوئلي تجزيا ڪري سگهون ٿا ، ان جي وچ ۾ جيڪو اسان پيش ڪرڻ چاهين ٿا لاڳاپو ماپڻ (منحصر متغير) ۽ هڪ يا وڌيڪ آزاد تغيرات ، يعني خاصيتون. امڪان جو اندازو هڪ منطقي انجام سان ڪيو ويندو آهي.
امڪان بعد ۾ بائنري قدرن ۾ تبديل ٿي ويا آهن ، ۽ پيش گوئي کي حقيقي بڻائڻ لاءِ ، اهو نتيجو انهي طبقي کي لڳايو ويو آهي جنهن سان اهو تعلق رکي ٿو ، انهي جي بنياد تي اهو خود يا ان طبقي سان ويجهو آهي يا نه.
مثال طور ، جيڪڏهن لاجسٽڪ فنڪشن جي اپليڪيشن 0,85 موٽائي ٿي ، انهي جو مطلب اهو آهي ته ان پينٽ انهي ڪلاس کي تفويض ڪندي مثبت طبقو پيدا ڪيو. ٻئي صورت ۾ جيڪڏهن اهو قدر حاصل ڪري ها جهڙوڪ 1 يا وڌيڪ عام طور تي <0,4 ..
انٽيل ويلٽس جي درجابندي جو جائزو وٺڻ لاءِ لاجسٽڪ ريگريشن لاجسٽڪ فنڪشن استعمال ڪندي آهي.
منطقي فنڪشن ، جنهن کي سگگائيڊ پڻ سڏيو ويندو آهي ، هڪ وکر آهي جيڪو اصل نمبر جي ڪنهن به تعداد کي وٺڻ جي قابل هوندو آهي ۽ ان کي 0 ۽ 1 جي وچ ۾ قدر جو نقشو ٺاھيو ويندو آهي ، انتها کي ڇڏي ڏيڻ. فنڪشن آھي:
اهو ڪٿي آهي:
منطقي رجعت ھڪڙي نمائندگي جي طور تي مساوات استعمال ڪري ٿو ، جھڙوڪ سڌي رجعت وانگر
انپٽ ويليوز (x) قطعي طور تي وزن يا عددي قيمت استعمال ڪندي گڏيل آهن ، ٻاھر ويل ويل کي پيش ڪرڻ لاءِ. لائينري ريگريشن مان هڪ اهم فرق اهو آهي ته ماڊلڊ ٻاٽ ويليو عددي قيمت جي بدران بائنري ويليو (0 يا 1) آهي.
هتي هڪ منطقي رجعت جي مساوات جو مثال آهي:
y = e^(b0 + b1 * x) / (1 + e^(b0 + b1 * x))
تختو:
انپٽ ڊيٽا ۾ هر ڪالم جو هڪ گڏيل بي گنجائش (هڪ مستقل حقيقي قدر) آهي ، جيڪو لازمي طور تي تربيت واري ڊيٽا مان سکڻ گهرجي.
ماڊل جي حقيقي نمائندگي جيڪا توهان ميموري ۾ ذخيرو ڪندا آهيو يا هڪ فائل مساوات ۾ ڪافي آهن (بيٽا يا بي قدر).
منطقي رجعت پسندي طبقي جي احتساب جو نمونو.
مثال طور ، اچو ته فرض ڪريون ته اسان ماڻهن جي جنس کي ان جي قد مان مرد يا عورت ماڊل ڪري رهيا آهيون ، پهريون طبقو مرد ٿي سگهي ٿو ، ۽ منطقي ريگريشن ماڊل مرد جي هجڻ جو امڪان هڪ فرد جي قد کي ، يا وڌيڪ کان لکي سگهجي ٿو. عام طور تي:
ص (جنس = مرد | قد)
ٻئي طريقي سان لکيو ويو آهي، اسان ان امڪان کي ماڊل ڪري رهيا آهيون ته هڪ ان پٽ (X) ڪلاس کان اڳ سان تعلق رکي ٿوdefinite (Y = 1)، اسان ان کي لکي سگھون ٿا جيئن:
پي (X) = P (Y = 1 | X)
امڪاني پيش گوئي کي بائنري ويليوز (0 يا 1) ۾ تبديل ڪرڻ لازمي طور تي امڪاني پيشنگوئي پيش ڪرڻ لاءِ.
منطقي رجعت هڪ لڪير وارو طريقو آهي ، پر پيشنگوئي لاجسٽڪ فنڪشن جي استعمال سان تبديل ٿيندي آهي. انهي جو اثر اهو آهي ته اسان اڳين دورن جون قطارون انڪشاف جي طور تي اڳواٽ سمجھي نٿا سگھون جيئن اسين لڪيري رجعت سان ڪري سگھون ، مثال طور ، مٿي کان جاري ، ماڊل ظاهر ڪري سگھجي ٿو:
p (X) = e ^ (b0 + b1 * x) / (1 + e ^ (b0 + b1 * x))
هاڻي اسان هيٺ ڏنل مساوات کي ريورس ڪري سگهون ٿا. انهي کي رد ڪرڻ لاءِ اسان هڪ طرف اي کي هٽائڻ سان ٻئي طرف قدرتي لاٽارٿم کي ختم ڪندي اڳتي وڌائي سگهون ٿا.
ln (p (X) / 1 - ص (X)) = b0 + b1 * X
هن طريقي سان اسان حقيقت حاصل ڪريون ٿا ته سا theي پاسي ٻا the جو حساب ٻيهر لڪير وارو آهي (سڌي طرح رجعت پسندي وانگر) ، ۽ کاٻي پاسي داخل ٿيل طئي ٿيل طبقي جي امڪاني طور هڪ لاگرتھم آهي.
امڪاني طور تي واقعن جي امڪان جي تناسب جي حساب سان حساب ڪيو ويو آهي ڪنهن واقعي جي امڪان جي حساب سان ، مثال طور. 0,8 / (1-0,8) جنھن جو نتيجو 4. آھي تنھنڪري اسين لکي سگھوٿا:
ln(odds) = b0 + b1 *
چونکہ امڪان لاگ-تبديل ٿيل هوندا آهن ، اسان هن کي کاٻي طرف وارا لاگ-odds يا امڪان سڏيندا آهيون.
اسان Exponent کي کاٻي طرف موٽائي سگھو ٿا ۽ لکي سگهو ٿا ته:
احتمالي = e ^ (b0 + b1 * X)
اهو سڀ ڪجهه اسان کي سمجهڻ ۾ مدد ڪري ٿو ته حقيقت ۾ ماڊل اڃا تائين ان پٽن جو هڪ لڪير ميلاپ آهي، پر اهو ته اهو لڪير ميلاپ اڳئين طبقي جي لاگ ان امڪانن ڏانهن اشارو ڪري ٿو.defiنيتا
سکيا واري مرحلي ۾ منطقي ريگريشن الگورتھم جي حساب سان (بيٽا يا بي قدر). هن کي ڪرڻ لاءِ ، اسان وڌ کان وڌ امڪان جو اندازو استعمال ڪندا آهيون.
وڌ ۾ وڌ امڪاني تخمينو هڪ سکيا وارو الگورٿم آهي جيڪو ڪيترن ئي مشين لرننگ الگورتھم ذريعي استعمال ڪيو ويندو آهي. ماڊل مان نڪرندڙ ڪوئفينٽس اڳئين طبقي لاءِ 1 (مثال طور مرد) جي تمام ويجھو قدر پيش ڪن ٿاdefinite ۽ ھڪ قدر 0 جي بلڪل ويجھو آھي (مثال طور عورت) ٻئي طبقي لاءِ. لاجسٽڪ ريگريشن لاءِ وڌ ۾ وڌ امڪان ڪوئفينٽس (بيٽا يا اوب ويلز) لاءِ قدرن کي ڳولڻ جو هڪ طريقو آهي جيڪو ڊيٽا ۾ موجود ماڊل پاران پيش ڪيل امڪانن ۾ غلطي کي گھٽ ڪري ٿو (مثال طور امڪان 1 جيڪڏهن ڊيٽا پرائمري ڪلاس آهي) .
اسان تربيتي ڊيٽا لاءِ بھتر ڪوآرڊينيشن اقدار کي بھتر ڪرڻ لاءِ گھٽ کان گھٽ الگورتھم استعمال ڪنداسين. اهو اڪثر ڪري هلندڙ عددي اصلاح جي الگوريٿم استعمال ڪندي عملي طور تي لاڳو ڪيو ويندو آهي.
بحري شعبي هڪ حقيقي عالمي معاشي طاقت آهي، جيڪا 150 بلين مارڪيٽ جي طرف نيويگيٽ ڪئي آهي ...
گذريل سومر، فنانشل ٽائمز OpenAI سان هڪ ڊيل جو اعلان ڪيو. ايف ٽي پنهنجي عالمي سطح جي صحافت کي لائسنس ڏئي ٿو ...
لکين ماڻهو ادا ڪن ٿا اسٽريمنگ سروسز لاءِ، ادا ڪندا مھينا سبسڪرپشن فيس. اها عام راءِ آهي ته توهان…
ويم پاران Coveware سائبر ڀڃڻ واري واقعي جي جوابي خدمتون فراهم ڪرڻ جاري رکندو. Coveware پيش ڪندو فرانزڪ ۽ ريميڊيشن صلاحيتون…
