پاورپوینت کامل Logistic Regression 29 اسلاید در PowerPoint

توجه : این فایل به صورت فایل power point (پاور پوینت) ارائه میگردد

 پاورپوینت کامل Logistic Regression 29 اسلاید در PowerPoint دارای ۲۹ اسلاید می باشد و دارای تنظیمات کامل در PowerPoint می باشد و آماده ارائه یا چاپ است

شما با استفاده ازاین پاورپوینت میتوانید یک ارائه بسیارعالی و با شکوهی داشته باشید و همه حاضرین با اشتیاق به مطالب شما گوش خواهند داد.

لطفا نگران مطالب داخل پاورپوینت نباشید، مطالب داخل اسلاید ها بسیار ساده و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی پاورپوینت کامل Logistic Regression 29 اسلاید در PowerPoint،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از مطالب داخلی اسلاید ها

پاورپوینت کامل Logistic Regression 29 اسلاید در PowerPoint

اسلاید ۴: مقایسه با رگراسیون خطیبرای 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.۴

اسلاید ۵: logistic functionمقدار این تابع و مشتق آن توسط روابط زیر تعریف میشود:۵

اسلاید ۶: احتمال تعلق به دسته هااحتمال تعلق به هر دسته را میتوان بصورت تابع لجستیک در نظر گرفت:ضرایب w با استفاده از gradient ascent تعیین میشود.۶

اسلاید ۷: احتمال تعلق به دسته هابرای مقادیر پیوسته رابطه بصورت زیر است۷

اسلاید ۸: فرضیات رابطه قبلبرای بدست آوردن رابطه فوق از فرض گوسی بودن توزیع احتمال استفاده شده است:۸

اسلاید ۹: سایر نتایج۹

اسلاید ۱۰: Discriminant functionsمدل LR یک مرز خطیبین دو دسته تعیین میکند.برای مرز دو دسته داریم:از اینرو خواهیم داشت:۱۰

اسلاید ۱۱: برای حالت چند کلاسه۱۱

اسلاید ۱۲: بدست آوردن وزنهافرض میشود که تعداد L داده آموزشی داشته باشیم.برای بدست آوردن وزنها میتوان ازmaximum likelihood estimate استفاده کرد:باید وزنهای W=<w0, … wn> طوری انتخاب شوند که مقدار درستنمائی داده ماکزیمم شود. بجای رابطه فوق از درست نمائی شرطی استفاده میشود:۱۲

اسلاید ۱۳: Expressing Conditional Log Likelihoodمیتوان برای محاسبه مقدار فوق از log عبارت فوق استفاده نمود.۱۳با فرض اینکه Y فقط یکی از دو مقدار ۰ یا ۱ را دارد خواهیمداشت:

اسلاید ۱۴: Maximizing Conditional Log Likelihoodهیچ راه حل بسته ای برای ماکزیمم کردن درست نمائی شرطی وجود ندارد.استفاده از تکنیک نزول گرادیان یکی از را