Iris guli misolida sinflashtirish va klasterlash modelini logistik regressiya, knn, Kmeans va ko‘p sathli neyron tarmoqlari yordamida o’qitishni amalga oshirish hamda model aniqligini baholash

Keras paketi haqida tushunchasi
Keras bu ochiq manbali dasturiy ta'minot bilan ta'minlaydigan kutubxona Python uchun interfeys sun'iy neyron tarmoqlari. Keras interfeysi sifatida ishlaydi TensorFlow kutubxona..
1.3 versiyasiga qadar Keras bir nechta orqa fonlarni qo'llab-quvvatladi, shu jumladan TensorFlow, Microsoft kognitiv vositalar to'plami, R, Theanova PlaidML. 2.4 versiyasidan boshlab, faqat TensorFlow qo'llab-quvvatlanadi. Bilan tezkor eksperimentlarni yoqish uchun mo'ljallangan chuqur asab tarmoqlari, u foydalanuvchilarga qulay, modulli va kengaytiriladigan bo'lishga qaratilgan. U ONEIROS (Open Neuro-Electronic Intelligent Robot Operating System) loyihasining tadqiqot ishlari doirasida ishlab chiqilgan, va uning asosiy muallifi va qo'llab-quvvatlovchisi Fransua Chollet, a Google muhandis. Xollet shuningdek XCeption chuqur neyron tarmoq modelining muallifi.

3-rasm. CNNdan foydalangan holda rasmdan 3d chizma olish

Keras ko'p ishlatiladigan neyron tarmoqlari bloklarini, masalan, qatlamlar, maqsadlar, faollashtirish funktsiyalari, optimizatorlar, va chuqur neyron tarmoq kodini yozish uchun zarur bo'lgan kodlashni soddalashtirish uchun rasm va matnli ma'lumotlar bilan ishlashni osonlashtiradigan ko'plab vositalar.
Kod joylashtirilgan GitHubva jamoatchilikni qo'llab-quvvatlash forumlari GitHub muammolari sahifasini va a Bo'shashish kanal.
Keras standart neyron tarmoqlaridan tashqari uni qo'llabquvvatlaydi konvolyutsion va takrorlanadigan neyron tarmoqlari. Kabi boshqa umumiy dastur qatlamlarini qo'llab-quvvatlaydi tushib qolish, partiyani normallashtirishva hovuzlash.
Keras foydalanuvchilarga chuqur modellarni smartfonlarda ishlab chiqarishga imkon beradi (iOS va Android), Internetda yoki Java virtual mashinasi. Shuningdek, bu klasterlar bo'yicha chuqur o'rganish modellarining tarqatilgan mashg'ulotlaridan foydalanishga imkon beradi Grafik ishlov berish bloklari (GPU) va tensorni qayta ishlash birliklari (TPU).

Xulosa

Logistik regressiya kuchli vositadir, ayniqsa epidemiologik tadqiqotlarda, bir vaqtning o'zida bir nechta tushuntirish o'zgaruvchilarini tahlil qilishga imkon beradi, shu bilan birga chalkash omillar ta'sirini kamaytiradi. Biroq, tadqiqotchilar modellarni yaratishga e'tibor berishlari kerak, dasturiy ta'minotni faqat xom ma'lumotlar bilan oziqlantirishdan va natijalarga erishishdan qochish kerak. Model qurish bo'yicha ba'zi qiyin qarorlar butunlay tadqiqotchining ushbu sohadagi tajribasiga bog'liq bo'ladi.

Logistik regressiya haqida ba'zi fikrlar:

• 
  Bog'liq o'zgaruvchi va mustaqil o'zgaruvchilar o'rtasida chiziqli bog'liqlik mavjud emas, lekin tushuntiruvchi o'zgaruvchilar logiti va javob o'rtasida chiziqli bog'liqlik mavjud .
  
• 
  Mustaqil o'zgaruvchilar, hatto dastlabki mustaqil o'zgaruvchilarning kuch atamalari yoki boshqa ba'zi bir chiziqli bo'lmagan o'zgarishlar bo'lishi mumkin.
  
• 
  Bog'liq o'zgaruvchini odatda taqsimlash shart emas, lekin u odatda eksponent oiladan (masalan, binomial, Poisson, multinomial, normal,…) taqsimotni qabul qiladi; ikkilik logistik regressiya javobning binomial taqsimlanishini o'z zimmasiga oladi.
  
• 
  Variantlarning bir xilligi qondirilishi shart emas.
  
• 
  Xatolar mustaqil bo'lishi kerak, lekin odatda taqsimlanmaydi.
  
• 
  Parametrlarni baholash uchun oddiy kichik kvadratchalar (OLS) emas, balki maksimal ehtimollik bahosidan (MLE) foydalanadi va shuning uchun katta namunali taxminlarga tayanadi .
  

Foydalanilgan adabiyotlar

• 
  http://cs229.stanford.edu/notes/cs229-notes1.pdf
  
• 
  http://machinelearningmastery.com/logistic-regression-for-machine-learning/
  
• 
  https://onlinecourses.science.psu.edu/stat504/node/164