SummaryProbit regression is a discr

Summary
Probit regression is a discriminative model for classification. In this model, the binary targets are generated by sampling latent Gaussian variables whose means are linear in the inputs, and passing them through a threshold.
Context
This concept has the prerequisites:
binary linear classifiers (Probit regression is a binary linear classifier.)
logistic regression (Probit regression is a variant on logistic regression.)
probit function (Probit regression is defined in terms of the probit function.)
gradient descent (Probit regression can be fit using gradient descent.)
Goals
Know what the probit regression model is
Be able to derive the gradient descent update rules
Understand the relationship with logistic regression:
the two have similar activation functions
however, probit regression is more sensitive to outliers
Interpret the model in terms of a latent Gaussian variable and a threshold
Core resources (read/watch one of the following)
-Paid-

→ Machine Learning: a Probabilistic Perspective
A very comprehensive graudate-level machine learning textbook.
Location: Section 9.4, "Probit regression," pages 293-295
[external website]
Author: Kevin P. Murphy
→ Pattern Recognition and Machine Learning
A textbook for a graduate machine learning course, with a focus on Bayesian methods.
Location: Section 4.3.5, "Probit regression," pages 210-212
[external website]
Author: Christopher M. Bishop
See also
Probit regression is less robust to outliers than [logistic regression](logistic_regression) .
Probit functions are convenient in probabilistic models because they allow for sampling algorithms which fit the latent Gaussian variables.

Kết quả (Việt) 1:

Tóm tắtProbit hồi qui là một mô hình discriminative để phân loại. Trong mô hình này, tiêu nhị phân được tạo ra bằng cách lấy mẫu biến Gaussian tiềm ẩn mà có nghĩa là tuyến tính trong các đầu vào, và qua họ thông qua một ngưỡng.Bối cảnhKhái niệm này có điều kiện tiên quyết: Máy phân loại nhị phân tuyến tính (Probit hồi qui là một loại tuyến tính nhị phân). hồi quy Logistic (Probit hồi qui là một biến thể trên hồi quy logistic.) chức năng probit (Probit hồi qui được xác định trong điều khoản của các chức năng probit.) gradient descent (Probit hồi qui có thể phù hợp bằng cách sử dụng gradient descent.)Mục tiêu Biết các mô hình hồi qui probit là gì Có thể lấy được các quy tắc gradient descent Cập Nhật Hiểu mối quan hệ với hồi quy logistic: cả hai có chức năng tương tự kích hoạt Tuy nhiên, probit hồi qui là nhạy cảm với outliers Giải thích các mô hình về một biến Gaussian tiềm ẩn và một ngưỡngLõi tài nguyên (đọc/xem một trong những điều sau đây)-Thanh toán-→ Máy học tập: một quan điểm xác suấtMột sách giáo khoa học rất toàn diện graudate cấp máy.Địa điểm: Phần 9.4, "Probit hồi qui," Trang 293-295[bên ngoài trang web]Tác giả: Kevin P. Murphy→ Pattern Recognition và máy họcMột quyển sách giáo khoa cho khóa học học tập sau đại học máy có một tập trung vào phương pháp Bayes.Địa điểm: Phần 4.3.5, "Probit hồi qui," trang 210-212[bên ngoài trang web]Tác giả: Christopher M. BishopXem thêm Probit hồi qui là ít mạnh mẽ để outliers hơn [hậu cần regression](logistic_regression). Probit chức năng được thuận tiện trong xác suất các mô hình vì họ cho phép cho lấy mẫu nào phù hợp với các biến Gaussian tiềm ẩn các thuật toán.

Kết quả (Việt) 2:

Tóm tắt
Probit hồi quy là một mô hình phân biệt để phân loại. Trong mô hình này, các mục tiêu nhị phân được tạo ra bằng cách lấy mẫu biến Gaussian tiềm ẩn mà phương tiện là tuyến tính trong đầu vào, và cho chúng đi qua một ngưỡng.
Bối cảnh
Khái niệm này có các điều kiện tiên quyết:
phân loại tuyến tính nhị phân (Probit hồi quy là một phân lớp tuyến tính nhị phân.)
Logistic hồi quy (probit hồi quy là một biến thể trên hồi quy logistic.)
chức năng probit (probit hồi quy được xác định trong các điều khoản của hàm probit.)
gradient descent (probit hồi quy có thể phù hợp với sử dụng gradient descent.)
Mục tiêu
biết những gì các mô hình hồi quy probit là
có thể để lấy được các gradient descent cập nhật quy tắc
Hiểu được mối quan hệ với hồi quy logistic:
cả hai đều có chức năng kích hoạt tương tự
tuy nhiên, hồi quy probit là nhạy cảm hơn để tách
Giải thích mô hình về một biến Gaussian tiềm ẩn và một ngưỡng
lực cốt lõi (đọc / xem một trong sau)
-Paid-

→ máy học: một xác suất Perspective
A rất toàn diện graudate cấp máy học sách giáo khoa.
Location: Phần 9.4, "Probit hồi quy", trang 293-295
[trang web bên ngoài]
tác giả: Kevin P. Murphy
→ Pattern Recognition và Machine Learning
một cuốn sách giáo khoa cho một khóa học máy sau đại học, với một tập trung vào phương pháp Bayesian.
Location: Phần 4.3.5, "Probit hồi quy", trang 210-212
[trang web bên ngoài]
tác giả: Christopher M. Giám mục
Xem thêm
Probit hồi quy ít mạnh mẽ để tách hơn [hồi quy logistic] (logistic_regression).
Probit chức năng thuận tiện trong mô hình xác suất bởi vì chúng cho phép các thuật toán lấy mẫu mà phù hợp với những biến Gaussian tiềm ẩn.