Logistic regression is a discrimini

Logistic regression is a discriminitive probabilistic classification model that operates over real-valued vector inputs. The dimensions of the input vectors being classified are called "features" and there is no restriction against them being correlated. Logistic regression is one of the best probabilistic classifiers, measured in both log loss and first-best classification accuracy across a number of tasks.
The Gory Details

The details of LingPipe's implementation of logistic regression can be found in the class documentation for:

stats.LogisticRegression
classify.LogisticRegressionClassifier

A full presentation of the mathematics and optimization algorithm may be found in the following white paper:

Carpenter, Bob. 2008. Lazy Sparse Stochastic Gradient Descent for Regularized Multinomial Logistic Regression.

which contains extensive links to the research literature and other implementations.

The logistic regression implementation in LingPipe provides multinomial classification; that is, it allows more than two possible output categories.

The main drawback of logistic regression is that it's relatively slow to train compared to the other LingPipe classifiers. It also requires extensive tuning in the form of feature selection and implementation to achieve state-of-the-art classification performance.

Kết quả (Việt) 1:

Hồi quy Logistic là một mô hình xác suất phân loại discriminitive hoạt động trên đầu vào có giá trị bất véc tơ. Kích thước của các vectơ đầu vào được phân loại được gọi là "tính năng" và không có giới hạn đối với họ tương quan. Hồi quy Logistic là một trong những tốt nhất xác suất máy phân loại, được đo bằng đăng nhập mất và độ chính xác tốt nhất đầu tiên phân loại trên một số công việc.Các chi tiết đẫm máuCác chi tiết của LingPipe thực hiện của hồi quy logistic có thể được tìm thấy trong các tài liệu lớp cho: số liệu thống kê. LogisticRegression phân loại. LogisticRegressionClassifierMột trình bày đầy đủ của toán học và tối ưu hóa các thuật toán có thể được tìm thấy trong giấy trắng sau đây: Thợ mộc, Bob. 2008. lười biếng thưa thớt ngẫu nhiên Gradient Descent cho Regularized Multinomial hồi quy Logistic.mà có chứa các liên kết mở rộng đến các tài liệu nghiên cứu và triển khai khác.Việc thực hiện hồi quy logistic LingPipe cung cấp multinomial phân loại; có nghĩa là, nó cho phép nhiều hơn hai đầu ra có thể loại.Nhược điểm chính của hồi quy logistic là nó là tương đối chậm để đào tạo so với các máy phân loại LingPipe khác. Nó cũng đòi hỏi phải điều chỉnh rộng rãi trong các hình thức lựa chọn tính năng và thực hiện để đạt được hiệu suất nhà nước-of-the-nghệ thuật phân loại.

Kết quả (Việt) 2:

Hồi quy logistic là một mô hình phân loại xác suất discriminitive mà hoạt động trên các đầu vào vector giá trị thực. Các kích thước của các vector đầu vào được phân loại này được gọi là "tính năng" và không có hạn chế đối với họ được tương quan. . Hồi quy logistic là một trong những phân loại xác suất tốt nhất, đo ở cả hai mất log và đầu tốt nhất phân loại chính xác trên một số nhiệm vụ
The Details Gory Các chi tiết thi hành LingPipe của hồi quy logistic có thể được tìm thấy trong các tài liệu hướng dẫn cho lớp: stats.LogisticRegression classify.LogisticRegressionClassifier Một bài thuyết trình đầy đủ của toán học và thuật toán tối ưu hóa có thể được tìm thấy trong giấy trắng sau đây: Carpenter, Bob. 2008. Lazy thưa Stochastic Gradient Descent cho đúng quy tắc đa thức Logistic Regression. Trong đó có chứa các liên kết sâu rộng đến các tài liệu nghiên cứu và triển khai khác. Việc thực hiện hồi quy logistic trong LingPipe cung cấp phân loại đa thức; nghĩa là, nó cho phép nhiều hơn hai loại đầu ra có thể. Hạn chế chính của hồi quy logistic là nó là tương đối chậm để đào tạo so với các phân loại LingPipe khác. Nó cũng đòi hỏi phải điều chỉnh sâu rộng trong các hình thức lựa chọn và thực hiện để đạt được nhà nước-of-the-nghệ thuật trình diễn tính năng phân loại.