A bit of math with a small exampleT

A bit of math with a small example
To get an initial understanding of the way logistic regression works, let us first take
a look at the following example, where we have an artificial feature value at the X
axis plotted with the corresponding class range, either 0 or 1. As we can see, the
data is so noisy that classes overlap in the feature value range between 1 and 6.
Therefore, it is better to not directly model the discrete classes, but rather the
probability that a feature value belongs to class 1, P(X). Once we possess such a
model, we could then predict class 1 if P(X) > 0.5 or class 0 otherwise:

Kết quả (Việt) 1:

Một chút toán với một ví dụ nhỏĐể có được một sự hiểu biết ban đầu của tác phẩm hồi quy logistic cách, hãy cho chúng tôi lần đầu tiên cóXem ví dụ sau, nơi chúng tôi có một giá trị nhân tạo tính năng tại Xtrục âm mưu với các lớp học tương ứng tầm hoạt động, hoặc là 0 hoặc 1. Như chúng ta có thể thấy, cácdữ liệu là như vậy ồn ào lớp chồng lên nhau trong phạm vi giá trị tính năng giữa 1 và 6.Vì vậy, nó là tốt hơn để không trực tiếp mô hình lớp học rời rạc, mà đúng hơn là cácxác suất một giá trị tính năng thuộc về lớp 1, P(X). Một khi chúng tôi có như vậy mộtMô hình, chúng tôi có thể sau đó dự đoán lớp 1 Nếu P(X) > 0,5 hoặc lớp 0 nếu không:

Kết quả (Việt) 2:

Một chút toán học với một ví dụ nhỏ
để có được một sự hiểu biết ban đầu về cách các công trình hồi quy logistic, chúng ta trước tiên hãy
xem ví dụ sau đây, nơi chúng tôi có một giá trị đặc tính nhân tạo tại X
trục âm mưu với phạm vi lớp học tương ứng, hoặc là 0 hoặc 1. Như chúng ta có thể thấy, các
dữ liệu là rất ồn ào mà lớp chồng lên nhau trong phạm vi giá trị về tính năng giữa 1 và 6.
Vì vậy, nó là tốt hơn để không trực tiếp mô hình lớp học rời rạc, mà là
xác suất mà một giá trị tính năng thuộc về lớp 1, P (X). Một khi chúng ta có một ví dụ
mô hình, chúng ta có thể dự đoán lớp 1 nếu P (X)> 0.5 hoặc lớp 0 nếu ngược lại: