Ahmedov Humoyunning " Sun’iy intellekt va neytronto’rli texnalogiyalar "

Logistik regressiya
Logistik regressiya - bu statistikadan to'g'ridan-to'g'ri mashina o'rganish uchun kelgan yana bir algoritm. Uni ikkilik tasniflash muammolari uchun ishlatish yaxshi (bular biz ikkita sinfdan birini chiqish paytida olishimiz mumkin bo'lgan muammolar).
Logistik regressiya chiziqli regressiyaga o'xshaydi, chunki u kirish parametrlari uchun koeffitsientlarning qiymatlarini topishni talab qiladi. Farq shundaki, chiqish qiymati chiziqli yoki logistika funktsiyasidan foydalangan holda aylantiriladi.
Logistika funktsiyasi katta S ga o'xshaydi va har qanday qiymatni 0 va 1 orasidagi raqamga o'zgartiradi. Bu juda foydali, chunki biz 0 va 1 ga bog'lash uchun logistika funktsiyasining chiqishiga qoida qo'llashimiz mumkin (masalan, agar funktsiyaning natijasi 0,5 dan kam bo'lsa, u holda). chiqish 1) va sinf bashoratlari.
Modelni o'rgatish uslubi tufayli, logistika regressiyasini bashorat qilish namunaning 0 yoki 1 bo'lishi ehtimolini ko'rsatish uchun ishlatilishi mumkin, bu sizga taxmin qilish uchun ko'proq sabablar kerak bo'lganda foydalidir.
Chiziqli regressiyada bo'lgani kabi, logistika regressi ham ortiqcha va shunga o'xshash parametrlarni olib tashlash orqali o'z ishini yaxshiroq bajaradi. Logistik regressiya modeli tezda o'rganiladi va ikkilik tasniflash muammolari uchun juda mos keladi.
Lineer diskriminant tahlil (LDA)
Ikkita sinfdan biriga namunani tayinlashni xohlaganingizda logistik regressiya qo'llaniladi. Agar ikkitadan ko'p sinflar bo'lsa, unda LDA (Linear diskriminant tahlil) algoritmidan foydalanish yaxshiroqdir.
LDA ko'rinishi juda oddiy. U har bir sinf uchun hisoblangan ma'lumotlarning statistik xususiyatlaridan iborat. Har bir kirish o'zgaruvchisiga quyidagilar kiradi:
Har bir sinf uchun o'rtacha qiymat;
Barcha sinflar uchun hisoblangan dispersiya.
Prognozlar har bir sinf uchun diskriminant qiymatni hisoblash va eng yuqori qiymatga ega sinfni tanlash orqali amalga oshiriladi. Ma'lumotlar odatda tarqatiladi deb taxmin qilinadi, shuning uchun davom ettirishdan oldin ma'lumotlardan anomal qiymatlarni olib tashlash tavsiya etiladi. Bu tasniflash muammolari uchun oddiy va samarali algoritm.