Samarqand -2022 Mavzu: : Stoxastik algoritm yordamida optimizatsiyalash Reja: Kirish Asosiy qism
Download 20.38 Kb.
|
Samarqand -2022 Mavzu Stoxastik algoritm yordamida optimizats-fayllar.org
- Bu sahifa navigatsiya:
- Samarqand -2022 Mavzu
- Foydalanilgan adabiyotlar Kirish Ikki tomonlama logistik regressiya modeli.
- Polinomialli logistik regressiyasi modeli.
|
Samarqand -2022 Mavzu: : Stoxastik algoritm yordamida optimizatsiyalash Reja: Kirish Asosiy qism O’ZBEKISTON RESPUBLIKASI AXBOROT TEXNOLOGIYALARI VA KOMUNIKATSIYALARINI RIVOJLANTIRISH VAZIRLIGI Muhammad Al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti Samarqand filiali AMALIY ISHI_2 Mavzu: Stoxastik algoritm yordamida optimizatsiyalash. Mashinali o’qitish fanidan 307 – guruh talabasi
Regressiy haqida ma’lumot 2. Polinomialli logistik regressiyasi modeli 3. Python progmmalastırısh tilida amalga oshirish Xulosa Foydalanilgan adabiyotlar Kirish Ikki tomonlama logistik regressiya modeli. Logistik regressiyaning eng oddiy shakli ikkilik yoki binomial logistik regressiya bo'lib, unda maqsadli yoki bog’liq o'zgaruvchining faqat 2 turi bo'lishi mumkin: 1 yoki 0. Polinomialli logistik regressiyasi modeli. Logistik regressiyaning yana bir foydali shakli – bu maqsadli yoki bog’liq o'zgaruvchining 3 yoki undan ko'p tartibsiz sinf turlarga, ya'ni miqdoriy ahamiyatga ega bo'lmagan sinf turlarga ega bo'lishi mumkin bo'lgan polinomialli logistik regressiyasidir. Logistik regressiyanıńg eng oddiy shakli - bu ikkitalik yoki binomialli logistik regressiya bo’lib, unda o'zgaruvchi 1yoki 0 bo'lishi mumkin bo'lgan ikkita sinf turiga ega bo'lishi mumkin. Bu bizga bitta yoki bir nechta taxminiy o'zgaruvchilar va ikkita o'zgaruvchi o'rtasidagi munosabatti modellashtirishga imkoniyat beradi. Logistik regressiya holida chiziqli funksiya asosan quyidagi funksiyadagi kabi boshqa funksiyaga kirish sifatida ishlatiladi Bu erda logistik yoki sigmasimon funksiya bo'lib, quyidagicha berilishi mumkin . Sigmasimon egri chiziqni quyidagi grafik yordamida ifodalanishi mumkin (7.1-rasm). 7.1-rasm. Ushbu rasmda funksiyaning qiymati y oqining 0 va 1 orasida joylashganini va y oqini 0,5 nuqtada kesib o'tganini ko'rishimiz mumkin. Sinflarni ijobiy (1) yoki salbiy(0) sinflarga ajratish mumkin. Chiqish ijobiy bo’ladi, agarda funksiyaning qiymati 0 va 1 orasida bo'lsa, ya’ni funksiyaning qiymati 0.5 bo'lsa ijobiy aks holda salbiy deb ataladi, Algoritm funksiyalarning vaznlari yordamida qanchalik yaxshi ijrosini o'lchash uchun yo'qotmaslik funksiyasini aniqlashimiz zurur, bu quyidagicha teta bilan ifodalanadi: Endi, yo'qotmaslik funksiyasini aniqlagandan so'ng, bizning maqsadimiz yo'qotmaslik funksiyasini minimallashtirishdan iborat bo'ladi. Vaznni oshirishlik yoki qisqartirishlik chegaralardagi vaznlarni o'rnatish yordamida amalga oshirilishi mumkin. Har bitta yo'qotmaslik funksiyasi yordamida qanday parametrlarning vazni va qaysi hajmning vazni kichik bo'lishi kerakligi aniqlanadi. Quyidagi gradiyent tushish tenglamasi parametrlarni o'zgartirda yo'qotmaslik qanday o'zgarishini ko’rsatib beradi: Download 20.38 Kb. Do'stlaringiz bilan baham: 
|