ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਨੂੰ ਮਿਸਾਲਾਂ (ਸਿਖਲਾਈ ਸਮੂਹ) ਦੇ ਦਿੱਤੇ ਸੈੱਟ ਦੇ ਵਿਰੁੱਧ ਘਾਟੇ ਦੇ ਫੰਕਸ਼ਨ ਦੀ "ਘੱਟੋ ਘੱਟ ਸਮੱਸਿਆਵਾਂ" ਵਜੋਂ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਇਹ ਵਿਸ਼ੇਸ਼ਤਾ ਮਾਡਲ ਦੁਆਰਾ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਰਹੀ ਭਵਿੱਖਬਾਣੀ ਦੇ ਮੁੱਲਾਂ ਅਤੇ ਹਰੇਕ ਉਦਾਹਰਣ ਲਈ ਅਨੁਮਾਨਿਤ ਮੁੱਲ ਵਿਚਕਾਰ ਅੰਤਰ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ.
ਅੰਤਮ ਟੀਚਾ ਇਹ ਹੈ ਕਿ ਸਿਖਲਾਈ ਸਮੂਹ ਵਿੱਚ ਮੌਜੂਦ ਨਾ ਹੋਣ ਵਾਲੇ ਮੌਕਿਆਂ ਦੇ ਇੱਕ ਸੈੱਟ ਤੇ ਮਾਡਲ ਨੂੰ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਯੋਗਤਾ ਸਿਖਾਉਣਾ ਹੈ.
ਇੱਕ ਵਿਧੀ ਜਿਸ ਦੇ ਅਨੁਸਾਰ ਅਲਗੋਰਿਦਮ ਦੀਆਂ ਵੱਖੋ ਵੱਖਰੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਨੂੰ ਵੱਖ ਕਰਨਾ ਸੰਭਵ ਹੈ, ਇੱਕ ਖਾਸ ਸਿਸਟਮ ਤੋਂ ਉਮੀਦ ਕੀਤੀ ਆਉਟਪੁੱਟ ਦੀ ਕਿਸਮ ਹੈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ.
ਮੁੱਖ ਸ਼੍ਰੇਣੀਆਂ ਵਿਚੋਂ ਜੋ ਅਸੀਂ ਪਾਉਂਦੇ ਹਾਂ:
ਵਰਗੀਕਰਣ ਦੀ ਇੱਕ ਉਦਾਹਰਣ ਹੈ ਇਸ ਵਿੱਚ ਸ਼ਾਮਲ ਆਬਜੈਕਟ ਜਾਂ ਵਿਸ਼ਿਆਂ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਚਿੱਤਰ ਨੂੰ ਇੱਕ ਜਾਂ ਵਧੇਰੇ ਲੇਬਲ ਸੌਂਪਣਾ;
ਰੈਗ੍ਰੇਸ਼ਨ ਦੀ ਇੱਕ ਉਦਾਹਰਣ ਇੱਕ ਰੰਗੀਨ ਚਿੱਤਰ ਦੇ ਰੂਪ ਵਿੱਚ ਇਸਦੀ ਨੁਮਾਇੰਦਗੀ ਤੋਂ ਇੱਕ ਸੀਨ ਦੀ ਡੂੰਘਾਈ ਦਾ ਅਨੁਮਾਨ ਹੈ.
ਵਾਸਤਵ ਵਿੱਚ, ਪ੍ਰਸ਼ਨ ਵਿੱਚ ਆਉਟਪੁੱਟ ਦਾ ਡੋਮੇਨ ਅਸਲ ਵਿੱਚ ਅਨੰਤ ਹੈ, ਅਤੇ ਸੰਭਾਵਨਾਵਾਂ ਦੇ ਕੁਝ ਖਾਸ ਸਮੂਹ ਵਿੱਚ ਸੀਮਿਤ ਨਹੀਂ ਹੈ;
ਲੀਨੀਅਰ ਰੈਗ੍ਰੇਸ਼ਨ ਹੈਅਸਲ ਮੁੱਲਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਵਿਆਪਕ ਤੌਰ ਤੇ ਵਰਤੇ ਜਾਂਦੇ ਮਾਡਲ ਜਿਵੇਂ ਕਿ:
ਅਤੇ ਨਿਰੰਤਰ ਵੇਰੀਏਬਲ ਦੀ ਕਸੌਟੀ ਦਾ ਪਾਲਣ ਕਰਦਾ ਹੈ:
ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਵਿਚ, ਸੁਤੰਤਰ ਵੇਰੀਏਬਲਸ ਅਤੇ ਨਿਰਭਰ ਵੇਰੀਏਬਲਾਂ ਦੇ ਵਿਚਕਾਰ ਇਕ ਸੰਬੰਧ ਇਕ ਲਾਈਨ ਦੁਆਰਾ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਦੋ ਵੇਰੀਏਬਲ ਦੇ ਵਿਚਕਾਰ ਸੰਬੰਧ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ.
ਫਿੱਟ ਲਾਈਨ ਨੂੰ ਰੈਗ੍ਰੇਸ਼ਨ ਲਾਈਨ ਦੇ ਤੌਰ ਤੇ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ Y = a * X + b ਟਾਈਪ ਦੇ ਰੇਖਿਕ ਸਮੀਕਰਣ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ.
ਫਾਰਮੂਲਾ ਦੋ ਜਾਂ ਵਧੇਰੇ ਗੁਣਾਂ ਨੂੰ ਇਕ ਦੂਜੇ ਨਾਲ ਜੋੜਨ ਲਈ ਇੰਟਰਪੋਲੇਟਿੰਗ ਡੇਟਾ ਤੇ ਅਧਾਰਤ ਹੈ. ਜਦੋਂ ਤੁਸੀਂ ਐਲਗੋਰਿਦਮ ਨੂੰ ਇੱਕ ਇੰਪੁੱਟ ਵਿਸ਼ੇਸ਼ਤਾ ਦਿੰਦੇ ਹੋ, ਤਾਂ ਰੈਗ੍ਰੇਸ਼ਨ ਦੂਜੀ ਵਿਸ਼ੇਸ਼ਤਾ ਵਾਪਸ ਕਰ ਦਿੰਦੀ ਹੈ.
ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਇੱਕ ਤੋਂ ਵੱਧ ਸੁਤੰਤਰ ਪਰਿਵਰਤਨਸ਼ੀਲ ਹੁੰਦੇ ਹਨ, ਤਦ ਅਸੀਂ ਮਲਟੀਪਲ ਰੇਨੀਅਰ ਰੈਗ੍ਰੇਸ਼ਨ ਦੀ ਗੱਲ ਕਰਦੇ ਹਾਂ, ਇਕ ਮਾਡਲ ਨੂੰ ਹੇਠਾਂ ਮੰਨਦਿਆਂ:
y = ਬੀ0 + b1x1 + b2x2 +… + ਬੀnxn
ਅਸਲ ਵਿੱਚ ਸਮੀਕਰਣ ਨਿਰੰਤਰ ਨਿਰਭਰ ਵੇਰੀਏਬਲ (y) ਅਤੇ ਦੋ ਜਾਂ ਵਧੇਰੇ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲ (x1, x2, x3…) ਵਿਚਕਾਰ ਸਬੰਧ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ.
ਉਦਾਹਰਣ ਦੇ ਲਈ, ਜੇ ਅਸੀਂ ਇੰਜਨ ਦੀ ਸ਼ਕਤੀ, ਸਿਲੰਡਰਾਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਬਾਲਣ ਦੀ ਖਪਤ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਕਾਰ (ਨਿਰਭਰ ਪਰਿਵਰਤਨਸ਼ੀਲ y) ਦੇ CO2 ਦੇ ਨਿਕਾਸ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ. ਇਹ ਬਾਅਦ ਦੇ ਕਾਰਕ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲ x1, x2 ਅਤੇ x3 ਹਨ. ਸਥਿਰ ਦੋਵਾਂ ਅਸਲ ਸੰਖਿਆਵਾਂ ਹਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਮਾੱਡਲ ਦੇ ਅਨੁਮਾਨਿਤ ਰੈਗ੍ਰੇਸ਼ਨ ਗੁਣਜ ਕਿਹਾ ਜਾਂਦਾ ਹੈ. ਵਾਈ ਨਿਰੰਤਰ ਨਿਰਭਰ ਪਰਿਵਰਤਨਸ਼ੀਲ ਹੈ, ਅਰਥਾਤ ਬੀ0, ਬੀ 1 ਐਕਸ 1, ਬੀ 2 ਐਕਸ, ਆਦਿ ਦਾ ਜੋੜ. y ਅਸਲ ਗਿਣਤੀ ਹੋਵੇਗੀ.
ਮਲਟੀਪਲ ਰੈਗ੍ਰੇਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ ਇਕ ਪ੍ਰਭਾਵ ਹੈ ਜੋ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲ ਦੇ ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਤੇ ਪ੍ਰਭਾਵ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ.
ਸੁਤੰਤਰ ਵੇਰੀਏਬਲ ਪਰਿਵਰਤਨ ਦੇ ਰੂਪ ਵਿੱਚ ਨਿਰਭਰ ਪਰਿਵਰਤਨਸ਼ੀਲ ਤਬਦੀਲੀਆਂ ਨੂੰ ਸਮਝਣਾ ਸਾਨੂੰ ਅਸਲ ਸਥਿਤੀਆਂ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੇ ਪ੍ਰਭਾਵਾਂ ਜਾਂ ਪ੍ਰਭਾਵਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ.
ਬਹੁ-ਰੇਖਾ ਪ੍ਰਣਾਲੀ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਇਹ ਸਮਝਣਾ ਸੰਭਵ ਹੈ ਕਿ ਖੂਨ ਦੇ ਦਬਾਅ ਵਿੱਚ ਤਬਦੀਲੀ ਕਿਵੇਂ ਹੁੰਦੀ ਹੈ ਕਿਉਂਕਿ ਸਰੀਰ, ਮਾਸ ਇੰਡੈਕਸ, ਉਮਰ, ਲਿੰਗ, ਆਦਿ ਵਰਗੇ ਕਾਰਕਾਂ ਨੂੰ ਸਮਝਦਿਆਂ ਬਦਲਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਇਹ ਮੰਨਦੇ ਹੋਏ ਕਿ ਕੀ ਹੋ ਸਕਦਾ ਹੈ.
ਮਲਟੀਪਲ ਰੈਗ੍ਰੇਸ਼ਨ ਦੇ ਨਾਲ ਅਸੀਂ ਕੀਮਤਾਂ ਦੇ ਰੁਝਾਨਾਂ ਤੇ ਅਨੁਮਾਨ ਲੈ ਸਕਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਤੇਲ ਜਾਂ ਸੋਨੇ ਦੇ ਭਵਿੱਖ ਦੇ ਰੁਝਾਨ.
ਅਖੀਰ ਵਿੱਚ, ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਖੇਤਰ ਵਿੱਚ ਵਧੇਰੇ ਦਿਲਚਸਪੀ ਦਾ ਅਨੁਭਵ ਕਰ ਰਿਹਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਰਿਕਾਰਡਾਂ ਦੀ ਇੱਕ ਵੱਡੀ ਗਿਣਤੀ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਵੀ ਪ੍ਰਦਰਸ਼ਨ ਸਿਖਲਾਈ ਦੇ ਮਾੱਡਲਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ.
ਲੌਜਿਸਟਿਕ ਰੈਗ੍ਰੇਸ਼ਨ ਇਕ ਅੰਕੜਾ ਸਾਧਨ ਹੈ ਜਿਸਦਾ ਟੀਚਾ ਇਕ ਜਾਂ ਵਧੇਰੇ ਵਿਆਖਿਆ ਵਾਲੇ ਵੇਰੀਏਬਲਸ ਦੇ ਨਾਲ ਬਾਈਮੋਮਲ ਨਤੀਜੇ ਨੂੰ ਮਾਡਲ ਕਰਨਾ ਹੈ.
ਇਹ ਆਮ ਤੌਰ ਤੇ ਬਾਈਨਰੀ ਸਮੱਸਿਆਵਾਂ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਸਿਰਫ ਦੋ ਜਮਾਤਾਂ ਹੁੰਦੀਆਂ ਹਨ, ਉਦਾਹਰਣ ਲਈ ਹਾਂ ਜਾਂ ਨਹੀਂ, 0 ਜਾਂ 1, ਮਰਦ ਜਾਂ etcਰਤ ਆਦਿ ...
ਇਸ Inੰਗ ਨਾਲ ਅੰਕੜਿਆਂ ਦਾ ਵਰਣਨ ਕਰਨਾ ਅਤੇ ਬਾਈਨਰੀ ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਅਤੇ ਇੱਕ ਜਾਂ ਵਧੇਰੇ ਨਾਮਾਤਰ ਜਾਂ ਆਰਜੀਕਲ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ ਸੰਭਵ ਹੈ.
ਨਤੀਜਾ ਇੱਕ ਲੌਜਿਸਟਿਕ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਲਈ ਧੰਨਵਾਦ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਇੱਕ ਸੰਭਾਵਨਾ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ ਅਤੇ ਫਿਰ defiਪ੍ਰਾਪਤ ਸੰਭਾਵੀ ਮੁੱਲ ਦੇ ਸਭ ਤੋਂ ਨਜ਼ਦੀਕੀ ਵਰਗ (ਸਕਾਰਾਤਮਕ ਜਾਂ ਨਕਾਰਾਤਮਕ) ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ।
ਦੇ ਪਰਿਵਾਰ ਨੂੰ ਵਰਗੀਕਰਣ ਕਰਨ ਦੇ methodੰਗ ਵਜੋਂ ਅਸੀਂ ਲੌਜਿਸਟਿਕ ਪ੍ਰਤਿਕ੍ਰਿਆ ਨੂੰ ਵਿਚਾਰ ਸਕਦੇ ਹਾਂ ਨਿਗਰਾਨੀ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ.
ਅੰਕੜਿਆਂ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ, ਲੌਜਿਸਟਿਕ ਰੈਗਰੈਸ਼ਨ ਇੱਕ ਨਤੀਜਾ ਪੈਦਾ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਜੋ ਅਸਲ ਵਿੱਚ, ਇੱਕ ਸੰਭਾਵਨਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਦਿੱਤੀ ਗਈ ਇਨਪੁਟ ਵੈਲਯੂ ਇੱਕ ਦਿੱਤੇ ਕਲਾਸ ਨਾਲ ਸਬੰਧਤ ਹੈ.
ਬਾਈਨੋਮੀਲਲ ਲੌਜਿਸਟਿਕ ਰੈਗ੍ਰੇਸ਼ਨ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ, ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਆਉਟਪੁੱਟ ਇੱਕ ਵਰਗ ਨਾਲ ਸਬੰਧਤ ਹੈ, ਜਦੋਂ ਕਿ ਇਹ ਦੂਜੀ ਸ਼੍ਰੇਣੀ 1-ਪੀ ਨਾਲ ਸਬੰਧਤ ਹੈ (ਜਿੱਥੇ ਪੀ 0 ਅਤੇ 1 ਦੇ ਵਿੱਚਕਾਰ ਇੱਕ ਸੰਖਿਆ ਹੈ ਕਿਉਂਕਿ ਇਹ ਸੰਭਾਵਨਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ).
ਬਾਈਨੋਮਲਲ ਲੌਜਿਸਟਿਕ ਰੈਗ੍ਰੇਸ਼ਨ ਉਨ੍ਹਾਂ ਸਾਰੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਪਰਿਵਰਤਨ ਦੀ ਅਸੀਂ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਾਂ ਬਾਈਨਰੀ ਹੈ, ਅਰਥਾਤ ਇਹ ਸਿਰਫ ਦੋ ਮੁੱਲ ਮੰਨ ਸਕਦਾ ਹੈ: ਮੁੱਲ 1 ਜਿਹੜਾ ਸਕਾਰਾਤਮਕ ਸ਼੍ਰੇਣੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਾਂ ਮੁੱਲ 0 ਜੋ ਨਕਾਰਾਤਮਕ ਸ਼੍ਰੇਣੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ.
ਸਮੱਸਿਆਵਾਂ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਜੋ ਲੌਜਿਸਟਿਕ ਰੈਗ੍ਰੇਸ਼ਨ ਦੁਆਰਾ ਹੱਲ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ:
ਲੌਜਿਸਟਿਕ ਰੈਗ੍ਰੇਸ਼ਨ ਨਾਲ ਅਸੀਂ ਭਵਿੱਖਬਾਣੀ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਸ ਬਾਰੇ ਅਸੀਂ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ (ਨਿਰਭਰ ਪਰਿਵਰਤਨਸ਼ੀਲ) ਅਤੇ ਇੱਕ ਜਾਂ ਵਧੇਰੇ ਸੁਤੰਤਰ ਪਰਿਵਰਤਨ, ਭਾਵ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧ ਨੂੰ ਮਾਪਦੇ ਹਾਂ. ਸੰਭਾਵਨਾ ਦਾ ਅਨੁਮਾਨ ਲਾਜਿਸਟਿਕ ਫੰਕਸ਼ਨ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ.
ਸੰਭਾਵਨਾਵਾਂ ਬਾਅਦ ਵਿੱਚ ਬਾਈਨਰੀ ਮੁੱਲਾਂ ਵਿੱਚ ਬਦਲੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਅਸਲ ਬਣਾਉਣ ਲਈ, ਇਹ ਨਤੀਜਾ ਉਸ ਕਲਾਸ ਨੂੰ ਸੌਂਪਿਆ ਜਾਂਦਾ ਹੈ ਜਿਸ ਨਾਲ ਸਬੰਧਤ ਹੈ, ਇਹ ਇਸ ਅਧਾਰ ਤੇ ਅਧਾਰਤ ਹੈ ਕਿ ਇਹ ਜਮਾਤ ਦੇ ਨੇੜੇ ਹੀ ਹੈ ਜਾਂ ਨਹੀਂ.
ਉਦਾਹਰਣ ਦੇ ਲਈ, ਜੇ ਲੌਜਿਸਟਿਕ ਫੰਕਸ਼ਨ ਦੀ ਐਪਲੀਕੇਸ਼ਨ 0,85 ਵਾਪਸ ਕਰਦੀ ਹੈ, ਤਾਂ ਇਸਦਾ ਅਰਥ ਹੈ ਕਿ ਇਨਪੁਟ ਨੇ ਸਕਾਰਾਤਮਕ ਕਲਾਸ ਤਿਆਰ ਕੀਤਾ ਇਸ ਨੂੰ ਕਲਾਸ 1 ਨੂੰ ਸੌਂਪ ਕੇ. ਇਸਦੇ ਉਲਟ ਜੇ ਇਸ ਨੇ ਕੋਈ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ ਜਿਵੇਂ ਕਿ 0,4 ਜਾਂ ਵਧੇਰੇ ਆਮ ਤੌਰ ਤੇ <0,5 ..
ਇਨਪੁਟ ਵੈਲਯੂਜ ਦੇ ਵਰਗੀਕਰਣ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਲੌਜਿਸਟਿਕ ਰੈਗਰੈਸ਼ਨ ਲੌਜਿਸਟਿਕ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ.
ਲੌਜਿਸਟਿਕ ਫੰਕਸ਼ਨ, ਜਿਸ ਨੂੰ ਸਿਗਮੌਇਡ ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਇਕ ਵਕਰ ਹੈ ਜੋ ਕਿਸੇ ਵੀ ਅਸਲੀ ਕੀਮਤ ਨੂੰ ਲੈ ਕੇ ਅਤੇ ਇਸ ਨੂੰ ਮੈਪਿੰਗ ਕਰਨ ਦੇ ਯੋਗ ਹੁੰਦਾ ਹੈ 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਇਕ ਮੁੱਲ ਨੂੰ ਛੱਡ ਕੇ. ਕਾਰਜ ਹੈ:
ਉਹ ਕਿਥੇ ਹੈ:
ਲੌਜਿਸਟਿਕ ਰੈਗਰੈਸ਼ਨ ਇਕ ਸਮੀਕਰਨ ਨੂੰ ਪ੍ਰਤੀਨਿਧਤਾ ਵਜੋਂ ਵਰਤਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਰੇਖੀ ਰੈਗਰੈਸ਼ਨ
ਇਨਪੁਟ ਵੈਲਯੂਜ (ਐਕਸ) ਇੱਕ ਆਉਟਪੁੱਟ ਵੈਲਯੂ (ਵਾਈ) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਲੰਬਕਾਰੀ ਵਜ਼ਨ ਜਾਂ ਗੁਣਾਂਕ ਮੁੱਲ ਦੀ ਵਰਤੋਂ ਨਾਲ ਜੋੜੀਆਂ ਜਾਂਦੀਆਂ ਹਨ. ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਤੋਂ ਇਕ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਇਹ ਹੈ ਕਿ ਮਾਡਲਿੰਗ ਆਉਟਪੁੱਟ ਵੈਲਯੂ ਇਕ ਸੰਖਿਆਤਮਿਕ ਮੁੱਲ ਦੀ ਬਜਾਏ ਇਕ ਬਾਈਨਰੀ ਵੈਲਯੂ (0 ਜਾਂ 1) ਹੈ.
ਇਹ ਇਕ ਲੌਜਿਸਟਿਕ ਰੈਗ੍ਰੇਸ਼ਨ ਸਮੀਕਰਨ ਦੀ ਇੱਕ ਉਦਾਹਰਣ ਹੈ:
y = e ^ (ਬੀ0 + ਬੀ 1 * ਐਕਸ) / (1 + ਈ b (ਬੀ0 + ਬੀ 1 * ਐਕਸ))
ਕਬੂਤਰ:
ਇੰਪੁੱਟ ਡੇਟਾ ਦੇ ਹਰੇਕ ਕਾਲਮ ਵਿੱਚ ਇੱਕ ਸੰਬੰਧਿਤ ਬੀ ਗੁਣਕ (ਇੱਕ ਸਥਿਰ ਅਸਲ ਮੁੱਲ) ਹੁੰਦਾ ਹੈ ਜੋ ਸਿਖਲਾਈ ਦੇ ਅੰਕੜਿਆਂ ਤੋਂ ਸਿੱਖਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ.
ਮਾੱਡਲ ਦੀ ਅਸਲ ਪੇਸ਼ਕਾਰੀ ਜੋ ਤੁਸੀਂ ਮੈਮੋਰੀ ਜਾਂ ਇੱਕ ਫਾਈਲ ਵਿੱਚ ਸਟੋਰ ਕਰਦੇ ਹੋ ਸਮੀਕਰਣ (ਬੀਟਾ ਜਾਂ ਬੀ ਵੈਲਯੂ) ਵਿੱਚ ਗੁਣਕ ਹਨ.
ਲੌਜਿਸਟਿਕ ਰੈਗ੍ਰੇਸ਼ਨ ਮਾਡਲਾਂ ਵਿੱਚ ਡਿਫੌਲਟ ਕਲਾਸ ਦੀ ਸੰਭਾਵਨਾ.
ਇੱਕ ਉਦਾਹਰਣ ਦੇ ਤੌਰ ਤੇ, ਮੰਨ ਲਓ ਕਿ ਅਸੀਂ ਲੋਕਾਂ ਦੇ ਲਿੰਗ ਨੂੰ ਉਹਨਾਂ ਦੇ ਉਚਾਈ ਤੋਂ ਮਰਦ ਜਾਂ asਰਤ ਦੇ ਰੂਪ ਵਿੱਚ ਮਾਡਲਿੰਗ ਕਰ ਰਹੇ ਹਾਂ, ਪਹਿਲੀ ਸ਼੍ਰੇਣੀ ਮਰਦ ਹੋ ਸਕਦੀ ਹੈ, ਅਤੇ ਲਾਜਿਸਟਿਕ ਰੈਗ੍ਰੇਸ਼ਨ ਮਾਡਲ ਨੂੰ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਉਚਾਈ, ਜਾਂ ਹੋਰ ਦਿੱਤੇ ਜਾਣ ਦੀ ਸੰਭਾਵਨਾ ਵਜੋਂ ਲਿਖਿਆ ਜਾ ਸਕਦਾ ਹੈ. ਰਸਮੀ ਤੌਰ 'ਤੇ:
ਪੀ (ਲਿੰਗ = ਮਰਦ | ਕੱਦ)
ਇੱਕ ਹੋਰ ਤਰੀਕੇ ਨਾਲ ਲਿਖਿਆ ਗਿਆ ਹੈ, ਅਸੀਂ ਸੰਭਾਵਨਾ ਨੂੰ ਮਾਡਲਿੰਗ ਕਰ ਰਹੇ ਹਾਂ ਕਿ ਇੱਕ ਇਨਪੁਟ (X) ਕਲਾਸ ਪ੍ਰੀ ਨਾਲ ਸਬੰਧਤ ਹੈdefiਨਾਈਟ (Y = 1), ਅਸੀਂ ਇਸਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਲਿਖ ਸਕਦੇ ਹਾਂ:
ਪੀ (ਐਕਸ) = ਪੀ (ਵਾਈ = 1 | ਐਕਸ)
ਸੰਭਾਵਨਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਅਸਲ ਵਿੱਚ ਇੱਕ ਸੰਭਾਵਨਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਬਾਈਨਰੀ ਮੁੱਲਾਂ (0 ਜਾਂ 1) ਵਿੱਚ ਬਦਲਣੀ ਚਾਹੀਦੀ ਹੈ.
ਲੌਜਿਸਟਿਕ ਰੀਗ੍ਰੇਸ਼ਨ ਇਕ ਲੀਨੀਅਰ methodੰਗ ਹੈ, ਪਰ ਪੂਰਵ-ਅਨੁਮਾਨ ਲੌਜਿਸਟਿਕ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਨਾਲ ਬਦਲੀਆਂ ਜਾਂਦੀਆਂ ਹਨ. ਇਸ ਦਾ ਪ੍ਰਭਾਵ ਇਹ ਹੈ ਕਿ ਅਸੀਂ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਨੂੰ ਇਨਪੁਟਸ ਦੇ ਇੱਕ ਰੇਖਿਕ ਸੁਮੇਲ ਵਜੋਂ ਨਹੀਂ ਸਮਝ ਸਕਦੇ ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਰੇਖਾਤਮਕ ਪ੍ਰਤੀਕਰਮ ਦੇ ਨਾਲ ਕਰ ਸਕਦੇ ਹਾਂ, ਉਦਾਹਰਣ ਲਈ, ਉੱਪਰ ਤੋਂ ਜਾਰੀ ਰੱਖਦਿਆਂ, ਮਾਡਲ ਇਸ ਤਰਾਂ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ:
ਪੀ (ਐਕਸ) = ਈ b (ਬੀ0 + ਬੀ 1 * ਐਕਸ) / (1 + ਈ b (ਬੀ0 + ਬੀ 1 * ਐਕਸ))
ਹੁਣ ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਸਮੀਕਰਨ ਨੂੰ ਉਲਟਾ ਸਕਦੇ ਹਾਂ. ਇਸ ਨੂੰ ਉਲਟਾਉਣ ਲਈ, ਅਸੀਂ ਦੂਜੇ ਪਾਸੇ ਇਕ ਕੁਦਰਤੀ ਲੋਗਰਿਥਮ ਜੋੜ ਕੇ ਇਕ ਪਾਸੇ ਈ ਨੂੰ ਹਟਾ ਕੇ ਅੱਗੇ ਵਧ ਸਕਦੇ ਹਾਂ.
ln (ਪੀ (ਐਕਸ) / 1 - ਪੀ (ਐਕਸ)) = ਬੀ0 + ਬੀ 1 * ਐਕਸ
ਇਸ ਤਰੀਕੇ ਨਾਲ ਅਸੀਂ ਇਹ ਤੱਥ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ ਕਿ ਸੱਜੇ ਪਾਸੇ ਆਉਟਪੁੱਟ ਦੀ ਗਣਨਾ ਇਕ ਵਾਰ ਫਿਰ ਲੀਨੀਅਰ ਹੈ (ਜਿਵੇਂ ਕਿ ਲੀਨੀਅਰ ਰੈਗ੍ਰੇਸ਼ਨ ਵਾਂਗ), ਅਤੇ ਖੱਬੇ ਪਾਸੇ ਦਾ ਇਨਪੁਟ ਡਿਫਾਲਟ ਕਲਾਸ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਇਕ ਲਾਗੀਥਿਮ ਹੈ.
ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਘਟਨਾ ਦੀ ਸੰਭਾਵਨਾ ਦੇ ਅਨੁਪਾਤ ਵਜੋਂ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਕਿਸੇ ਘਟਨਾ ਦੀ ਸੰਭਾਵਨਾ ਦੁਆਰਾ ਵੰਡਿਆ ਨਹੀਂ ਜਾਂਦਾ, ਉਦਾ. 0,8 / (1-0,8) ਜਿਸਦਾ ਨਤੀਜਾ 4. ਹੈ ਤਾਂ ਅਸੀਂ ਇਸ ਦੀ ਬਜਾਏ ਲਿਖ ਸਕਦੇ ਹਾਂ:
ln (ਅਵਿਸ਼ਵਾਸ) = ਬੀ0 + ਬੀ 1 * ਐਕਸ
ਕਿਉਂਕਿ ਸੰਭਾਵਨਾਵਾਂ ਲੌਗ-ਟਰਾਂਸਫੋਰਡ ਹੁੰਦੀਆਂ ਹਨ, ਇਸ ਲਈ ਅਸੀਂ ਇਸਨੂੰ ਖੱਬੇ ਪਾਸਿਓਂ ਲੌਗ-ਅਵਡਜ ਜਾਂ ਪ੍ਰੋਬਿਟ ਕਹਿੰਦੇ ਹਾਂ.
ਅਸੀਂ ਘਾਤਕ ਨੂੰ ਸੱਜੇ ਵਾਪਸ ਕਰ ਸਕਦੇ ਹਾਂ ਅਤੇ ਇਸਨੂੰ ਇਸ ਤਰਾਂ ਲਿਖ ਸਕਦੇ ਹਾਂ:
ਸੰਭਾਵਨਾ = ਈ b (ਬੀ0 + ਬੀ 1 * ਐਕਸ)
ਇਹ ਸਭ ਸਾਨੂੰ ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਅਸਲ ਵਿੱਚ ਮਾਡਲ ਅਜੇ ਵੀ ਇਨਪੁਟਸ ਦਾ ਇੱਕ ਲੀਨੀਅਰ ਸੁਮੇਲ ਹੈ, ਪਰ ਇਹ ਲੀਨੀਅਰ ਸੁਮੇਲ ਪ੍ਰੀ ਕਲਾਸ ਦੀਆਂ ਲਾਗ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।defiਨੀਤਾ
ਲੌਜਿਸਟਿਕ ਰੈਗ੍ਰੇਸ਼ਨ ਐਲਗੋਰਿਦਮ ਦੇ ਗੁਣਕ (ਬੀਟਾ ਜਾਂ ਬੀ ਮੁੱਲ) ਸਿੱਖਣ ਦੇ ਪੜਾਅ ਵਿੱਚ ਅਨੁਮਾਨ ਲਗਾਏ ਜਾਂਦੇ ਹਨ. ਅਜਿਹਾ ਕਰਨ ਲਈ, ਅਸੀਂ ਵੱਧ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਅਨੁਮਾਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ.
ਵੱਧ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਦਾ ਅਨੁਮਾਨ ਕਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੁਆਰਾ ਵਰਤਿਆ ਗਿਆ ਇੱਕ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਹੈ। ਮਾਡਲ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਗੁਣਾਂਕ ਪ੍ਰੀ-ਸਕੂਲ ਕਲਾਸ ਲਈ 1 (ਉਦਾਹਰਨ ਲਈ ਮਰਦ) ਦੇ ਬਹੁਤ ਨੇੜੇ ਮੁੱਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨdefiਨਾਈਟ ਅਤੇ ਦੂਜੀ ਕਲਾਸ ਲਈ 0 (ਜਿਵੇਂ ਕਿ ਔਰਤ) ਦੇ ਬਹੁਤ ਨੇੜੇ ਦਾ ਮੁੱਲ। ਲੌਜਿਸਟਿਕ ਰੀਗਰੈਸ਼ਨ ਲਈ ਵੱਧ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਗੁਣਾਂ (ਬੀਟਾ ਜਾਂ ਓਬ ਮੁੱਲ) ਲਈ ਮੁੱਲਾਂ ਨੂੰ ਲੱਭਣ ਦੀ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ ਡੇਟਾ ਵਿੱਚ ਉਹਨਾਂ ਦੇ ਮੁਕਾਬਲੇ ਮਾਡਲ ਦੁਆਰਾ ਅਨੁਮਾਨਿਤ ਸੰਭਾਵਨਾਵਾਂ ਵਿੱਚ ਗਲਤੀ ਨੂੰ ਘੱਟ ਕਰਦੀ ਹੈ (ਉਦਾਹਰਨ ਲਈ ਸੰਭਾਵਨਾ 1 ਜੇਕਰ ਡੇਟਾ ਪ੍ਰਾਇਮਰੀ ਕਲਾਸ ਹੈ) .
ਅਸੀਂ ਸਿਖਲਾਈ ਦੇ ਅੰਕੜਿਆਂ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਗੁਣਾਤਮਕ ਮੁੱਲਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਘੱਟੋ ਘੱਟ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ. ਇਹ ਅਕਸਰ ਇੱਕ ਕੁਸ਼ਲ ਸੰਖਿਆਤਮਕ ਅਨੁਕੂਲਤਾ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਅਭਿਆਸ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ.
ਪਿਛਲੇ ਸੋਮਵਾਰ, ਫਾਈਨੈਂਸ਼ੀਅਲ ਟਾਈਮਜ਼ ਨੇ ਓਪਨਏਆਈ ਨਾਲ ਇੱਕ ਸੌਦੇ ਦਾ ਐਲਾਨ ਕੀਤਾ। FT ਆਪਣੀ ਵਿਸ਼ਵ ਪੱਧਰੀ ਪੱਤਰਕਾਰੀ ਨੂੰ ਲਾਇਸੰਸ ਦਿੰਦਾ ਹੈ...
ਲੱਖਾਂ ਲੋਕ ਸਟ੍ਰੀਮਿੰਗ ਸੇਵਾਵਾਂ ਲਈ ਭੁਗਤਾਨ ਕਰਦੇ ਹਨ, ਮਹੀਨਾਵਾਰ ਗਾਹਕੀ ਫੀਸ ਅਦਾ ਕਰਦੇ ਹਨ। ਇਹ ਆਮ ਰਾਏ ਹੈ ਕਿ ਤੁਸੀਂ…
Veeam ਦੁਆਰਾ Coveware ਸਾਈਬਰ ਜ਼ਬਰਦਸਤੀ ਘਟਨਾ ਪ੍ਰਤੀਕਿਰਿਆ ਸੇਵਾਵਾਂ ਪ੍ਰਦਾਨ ਕਰਨਾ ਜਾਰੀ ਰੱਖੇਗਾ। ਕੋਵਵੇਅਰ ਫੋਰੈਂਸਿਕ ਅਤੇ ਉਪਚਾਰ ਸਮਰੱਥਾਵਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰੇਗਾ...
ਪੂਰਵ-ਅਨੁਮਾਨਤ ਰੱਖ-ਰਖਾਅ ਪਲਾਂਟ ਪ੍ਰਬੰਧਨ ਲਈ ਇੱਕ ਨਵੀਨਤਾਕਾਰੀ ਅਤੇ ਕਿਰਿਆਸ਼ੀਲ ਪਹੁੰਚ ਦੇ ਨਾਲ, ਤੇਲ ਅਤੇ ਗੈਸ ਸੈਕਟਰ ਵਿੱਚ ਕ੍ਰਾਂਤੀ ਲਿਆ ਰਹੀ ਹੈ।…
