دانلود پاورپوینت Logistic Regression
با کیفیت ترین پاورپوینت Logistic Regression , دانلود پاورپوینت Logistic Regression , سایت دانلود پاورپوینت Logistic Regression
⇓
پاورپوینت Logistic Regression
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..ppt) ( قابل ويرايش و آماده پرينت )
تعداد اسلاید : 27 اسلاید
قسمتی از متن powerpoint (..ppt) :
بنام خدا
1
2
Logistic Regression
ایده اصلی
دسته بندی کننده بیزی برای محاسبه P(Y|X) لازم دارد تا مقادیر P(Y) و P(X|Y) را یاد بگیرد.
چرا مستقیما P(Y|X) یاد گرفته نشود؟
لجستیک رگراسیون مقدار احتمال فوق را محاسبه میکند.
دسته بندی کننده بیزی یک دسته بندی مولد است در حالیکه لجستیک رگراسیون یک دسته بندی کننده discriminative است.
3
4
مقدمه
بر خلاف نامش این روش برای دسته بندی مورد استفاده قرار میگیرد نه رگراسیون.
برای حالت K = 2 این مدل بسیار ساده بوده و از یک تابع خطی بهره می جوید.
بردار ورودی بصورت و بردارخروجی Y بولین در نظر گرفته میشود.
تمام Xi ها از Y مستقل فرض شده و مقدار P(Xi | Y = yk) گوسی در نظر گرفته میشود. N( μ ik, σ i)
همچنین توزیع P(Y) بصورت برنولی در نظر گرفته میشود.
مقایسه با رگراسیون خطی
برای مدل کردن متغیرهائی که مقادیر محدودی به خود میگیرند بهتر از رگراسیون خطی عمل میکند زیرا مدل خطی هر مقداری را در خروجی تولید میکند درحالی که برای چنین متغیرهائی مقادیر محدودی مورد نیاز است.
در رگراسیون خطی مقدار متغیر مورد نظر از ترکیب خطی متغیرهای مستقل بدست می آید در حالیکه در لجستیک رگراسیون از ترکیب خطی تابع logit استفاده میشود.
در رگراسیون خطی پارامترها به روش least squares بدست می آیند در حالیکه این روش برای لجستیک رگراسیون فاقد کارائی بوده و از روش maximum likelihood estimation برای پیدا کردن پارامترها استفاده میشود.
5
پاورپوینت Logistic Regression
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..ppt) ( قابل ويرايش و آماده پرينت )
تعداد اسلاید : 27 اسلاید
قسمتی از متن powerpoint (..ppt) :
بنام خدا
1
2
Logistic Regression
ایده اصلی
دسته بندی کننده بیزی برای محاسبه P(Y|X) لازم دارد تا مقادیر P(Y) و P(X|Y) را یاد بگیرد.
چرا مستقیما P(Y|X) یاد گرفته نشود؟
لجستیک رگراسیون مقدار احتمال فوق را محاسبه میکند.
دسته بندی کننده بیزی یک دسته بندی مولد است در حالیکه لجستیک رگراسیون یک دسته بندی کننده discriminative است.
3
4
مقدمه
بر خلاف نامش این روش برای دسته بندی مورد استفاده قرار میگیرد نه رگراسیون.
برای حالت K = 2 این مدل بسیار ساده بوده و از یک تابع خطی بهره می جوید.
بردار ورودی بصورت و بردارخروجی Y بولین در نظر گرفته میشود.
تمام Xi ها از Y مستقل فرض شده و مقدار P(Xi | Y = yk) گوسی در نظر گرفته میشود. N( μ ik, σ i)
همچنین توزیع P(Y) بصورت برنولی در نظر گرفته میشود.
مقایسه با رگراسیون خطی
برای مدل کردن متغیرهائی که مقادیر محدودی به خود میگیرند بهتر از رگراسیون خطی عمل میکند زیرا مدل خطی هر مقداری را در خروجی تولید میکند درحالی که برای چنین متغیرهائی مقادیر محدودی مورد نیاز است.
در رگراسیون خطی مقدار متغیر مورد نظر از ترکیب خطی متغیرهای مستقل بدست می آید در حالیکه در لجستیک رگراسیون از ترکیب خطی تابع logit استفاده میشود.
در رگراسیون خطی پارامترها به روش least squares بدست می آیند در حالیکه این روش برای لجستیک رگراسیون فاقد کارائی بوده و از روش maximum likelihood estimation برای پیدا کردن پارامترها استفاده میشود.
5