1. Concepts de base

Avant d'introduire des modèles de régression logique, la distribution logique introduite d'abord.
SET X est une variable aléatoire continue, X OBEY LOGIC DISTERNISSANCE ENSEMBLE DE X avec la fonction de la fonction de distribution suivante (x) et F (x) Densité de la fonction:

La courbe de la fonction de distribution F (x) de La distribution logique sinicienne est indiquée dans l'image et les graphiques est la courbe en forme de S et la courbe de développement près du centre. La croissance la plus rapide et lente aux deux extrémités. Quand x est infini, f (x) proche de 1; Lorsque X est un nombre infini d'heures, F (x) presque 0.

Fonction de distribution de régression logique

Logic modèle

Deux modèles d'étape logiques sont un modèle de classification représenté par la distribution probabilité de p (y | x) et le formulaire est une distribution STIIS logique numérisée. Ici, la variable aléatoire X est vraie et une variable aléatoire Y est 1 ou 0.

Deux modèles payés VLa logique est les conditions suivantes:




Ici, X appartient au nombre réel, y appartient à {0, 1} sortie, W et B sont des paramètres et WS appelés vecteurs de poids, B est appelé décalage, qui est W et X.

pour une instance d'instance donnée x, p (y = 1 | x) et p (y = 0 | x) Peut être obtenu en fonction de la fonction de distribution ci-dessus. Le retour de la logique est la taille des deux valeurs de probabilité et, par exemple, X est divisé en une valeur de probabilité.

Parfois
Parfois, pour la commodité, le poids vectoriel et les vecteurs d'entrée sont étendus, toujours dans W, X, Ie

À ce stade, le modèle d'étape logique est le suivant:

Obtenez le modèle de régression ci-dessus, oui un paramètre inconnu w dans le modèle de régression ci-dessus Avant de prédire les données prévues par le modèle décrit ci-dessus, il est nécessaire de prendre la valeur du paramètre w avant d'utiliser le modèle décrit ci-dessus, utilisez la méthode estimée.Très grande capacité d'obtenir le paramètre W. La capacité de remplacer est: Ces incidents sont devenus une question d'optimisation de la fonction objectif des fonctions logarithmiques. Le La méthode est couramment utilisée des études logiques constitue une méthode de déposer des gradients et des lois sur Aunton. La valeur W gagnée par une énorme capacité d'estimer le modèle mentionné ci-dessus, c'est-à-dire l'anticipation de l'ensemble de données de test. Trois. Beaucoup de profits qu'il logique Les deux modèles de régression logique sont deux modèles de classification pour les problèmes de couche intermédiaire. Il peut être étendu à de nombreuses modèles de régression logique pour des problèmes multicouches. Les gens croient que La variable aléatoire discrète est la valeur de {1, 2, .. k}, puis de nombreux modèles renvoient la logique sont les suivants: .