According to Williams et al. [45],

According to Williams et al. [45], LR is a commonly used approach
for performing binary classification. It learns a set of parameters, {w0,
w}, that maximizes the likelihood of the class labels for a given set of
training data. Let xi∈Rd denote a (column) vector of d features
representing the ith data point, and yi∈{0, 1} denote its
corresponding class label (e.g., clutter or mine). For a labeled
(training) data point, yi is known; for an unlabeled (testing) data
point, yi is unknown. Under the LR model, the probability of label
yi=1 given xi is given by Eq. (1):

Kết quả (Việt) 1:

Theo Williams et al. [45], LR là một phương pháp thường được sử dụngđể thực hiện phân loại nhị phân. Nó học một tập hợp các thông số, {w0,w}, mà tối đa hoá khả năng nhãn lớp cho một tập hợp củađào tạo dữ liệu. Hãy để xi∈Rd biểu thị một vector (cột) d tính năngđại diện cho ith dữ liệu điểm, và yi∈ {0, 1} biểu thị của nótương ứng các nhãn hiệu lớp học (ví dụ như, lộn xộn hoặc mỏ). Đối với một nhãn(đào tạo) dữ liệu điểm, yi được biết đến; một dữ liệu ổ (thử nghiệm)vấn đề, yi là không rõ. Theo mô hình LR, xác suất của các nhãn hiệuYi = 1 cho xi được đưa ra bởi Eq. (1):

Kết quả (Việt) 2:

Theo Williams et al. [45], LR là một phương pháp thường được sử dụng
để thực hiện phân loại nhị phân. Nó biết một tập hợp các thông số, {W0,
w}, nhằm tối đa hóa khả năng của các nhãn lớp cho một tập hợp các
dữ liệu huấn luyện. Hãy xi∈Rd biểu thị một (cột) vector của d tính năng
đại diện cho các điểm dữ liệu thứ i, và yi∈ {0, 1} là của
nhãn lớp tương ứng (ví dụ, lộn xộn hoặc mỏ). Đối với một nhãn
(đào tạo) điểm dữ liệu, yi được biết đến; cho một dữ liệu không có nhãn (thử nghiệm)
điểm, yi là không rõ. Theo mô hình LR, xác suất của nhãn
yi = 1 xi đưa được cho bởi phương trình. (1):