Technology sharing

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

1. Sigmoid activation munus:

Munus sigmoidea est activatio magni momenti ad exemplar regressionis logisticae aedificandae, sicut in figura infra ostendetur.

• duoPropositum problema classificationis est exemplar intra fines [0,1] moderari., cum exemplar output effectus est <0,5, default praedictionis effectus est 0; cum exemplar output effectus est >0,5, default praedictionis effectus est 1 .
• Ideam solvendi problema classificationis binarii est ad describendam quaestionem initus x classificationis binarii ad input z functionis sigmoideae, construendo exemplar logisticum f ad output g computandum, et deinde consequendum exemplum regressionis logisticae. fundatur in latitudine g (num maius quam 0.5) (Hoc est, effectus quaestionis duplicis classificationis).
• Munus dominium R, valor range [0,1], quandoIntra z<0Cum, Sogmoid munusOutput eventus g<0.5, Default estEffectus est 0, constituuntPrimum genus quaestionis binarii classificationis .quandoIntra z>0Cum, Sogmoid munusOutput result g>0.5, Default estEffectus est 1, constituuntSecundum genus problematis binarii。

2. Introductio ad regressionem logisticam:

Logistic regressus est ad solveDuo quaestio divisio . Pro quaestionibus classificationis, paucitas tantum copiae provenit ex exemplari (progrediendi problemata infinitae sunt).In problemate binarii classificationis duo tantum eventus exemplaris outputati sunt.

In classic casu regressionis quaestio "Tumoris Praedictionis Casus", tumor quantitatis notae praedicere solet utrum tumor malignus tumor sit.

Hoc tempore difficile est aptare institutionem ad exemplar regressionis linearis adhibitae.(Recessus lineari solvit quaestionem regressionis, dum tumor praedictionis casus est problema classificationis, vel problema binarium praecisum esse)sic proponebatur ratio regressionis logisticae.

Exemplar regressionis logisticae (solvere problemata classificationis): initus pluma vel pluma pone X et output numerus inter 0 et 1 ubi per functionem Sogmoidei curva construitur. Constructionis specificae processus talis est:

• Prima linea explicat:Logistic regressus modelfConstrue procedere synlineaInput pluma X et output praenuntiatio effectus fdifferentia estf valorem range∈[0,1]。
• Explicatio secundae, tertiae et quartae lineae: Antea induximus g output functionis sigmoideae posse solvere problema duplicem-classificationis optime, sic callide usi sumus munus Sigmoidei ad exemplar regressionis logisticae aedificandae f ad solvendum duos- partitio, quaestio.Map input pluma X ad initus z functionis Sigmoidei pone regressionem linearem vel regressionem polynomialem，Exsequendam output de munus Sigmoid，Deinde calculare output f (0 vel 1) regressionis logisticae innixum num functionis sigmoideae output effecti maior quam 0,5.Sume exitum quaestionis duplicis classificationis.
• Explanatio quintae lineae: Praemissae notiones integrari possunt ad exemplar regressionis logisticae f, in quo initus exemplaris est lineae X positae, et output praedictum est effectus classificationis 0 vel 1 .
• Explicatio sextae lineae: Cum output effectus regressionis logisticae maior est quam vel aequalis 0,5, valor praedictus y^ est 1, qui significat tumorem malignum tumorem esse in exemplo praedicto; exemplar regressionis logisticae minor est quam vel aequalis 0,5, valor praedictus est 0, quod significat tumorem malignum non esse, exemplo superiore utens.

3. Decision limites

Non difficile est ex superioribus consequi, cum input z functionis Sigmoideae maior sit quam vel aequalis 0, hoc est, cum mapping z=wx+b e lineae positae X ad z maius sit quam vel aequale. 0, outputa proventus exemplaris 1 est, quando input z functionis Sigmoidei minor est quam Cum 0, id est, cum mapping z=wx+b a lineamentis X ad z ad z minor est quam 0; ex exemplari 0 .
Haec est notio qua definiri fines possumus;Aequatio quae mapping exemplaris input X facit ad functionem Sigmoid input z = 0 appellatur terminus decisionis.

Tumore praedictio exemplo exemplo sumpto, destinata ab exemplari input X ad munus Sigmoidea input z est z=wx+b, deinde terminus terminus est wx+b=0.

Imagine utamur, ad sensum decreti termini illustrandum:

• exemplum 1;describant linearibus munus
  
  Figura supra indicat verum valorem pittacii, cum lineamenta x1 et x2 in institutione posita diversa habent valores.

  Exemplum regressionis logisticae supra demonstratum est, ubi mapping ab exemplari input X ad munus Sigmoidea input z est z=w1x1+w2x2+b, finisque decisio est w1x1+w2x2+b=0. Si effectus formationis exemplaris sunt w1=1, w2=1, b=-3, finis decisio est x1+x2-3=0, munusque imago decreti termini ostenditur ut in figura superius demonstratum est;Perspici potest quod, si notae specimen in parte sinistra decreti termini ponuntur, regressio logistica praenuntiatio 0 est, secus est 1. Haec est imago significatio decreti terminus.

• Exemplum II:Map ad integra munus
  
  Mapping ex exemplar initusPositus specimen notarum relativarum ad terminum decisionis determinat praedictionem eventus exempli.

4. Logisticae regressionis exemplar disciplinae processus:

Reapse idem est ac processus disciplinae regressus linearis, nisi exemplar (munus) instituendi differat.

1. Disciplina proposita:

2. Gradiente descensus temperatio parametri;