র্যান্ডমাইজড লজিস্টিক রিগ্রেশন এবং সাদামাটা-ভ্যানিলা লজিস্টিক রিগ্রেশন মধ্যে পার্থক্য


12

আমি র‌্যান্ডমাইজড লজিস্টিক রিগ্রেশন (আরএলআর) এবং প্লেইন লজিস্টিক রিগ্রেশন (এলআর) এর মধ্যে পার্থক্যগুলি জানতে চাই , অতএব, আমি মিনশাউসেন, ইত্যাদি দ্বারা একটি " কাগজ স্থায়িত্ব নির্বাচন" পড়ছি। ; তবে আমি বুঝতে পারি না আরএলআর কী এবং আরএলআর এবং এলআরের মধ্যে পার্থক্য কী।

কেউ কি আরএলআর বুঝতে আমার পড়া উচিত তা নির্দেশ করতে পারে? বা এর সাথে শুরু করার কোনও সাধারণ উদাহরণ আছে?


1
আরএলআর কোনও স্ট্যান্ডার্ড শব্দ নয়। দয়া করে পদ্ধতিটি সংজ্ঞায়িত করুন।
ফ্র্যাঙ্ক হ্যারেল

আপনাকে @ ফ্র্যাঙ্কহারেল ধন্যবাদ ... পদ্ধতিটি বিজ্ঞানচর্চা পাঠাগার থেকে আসছে ।
হেন্দ্র বান্যমিন

এখন যেহেতু মেশিন লার্নিং / বিগ ডেটা জন্য একটি নতুন স্ট্যাক এক্সচেঞ্জ সাইট রয়েছে, সম্ভবত এই প্রশ্নটি সেখানেই রয়েছে।
প্লাসিডিয়া

4
@ প্লাসিডিয়া এটি একটি ভাল পরামর্শ। যাইহোক, আপনার নিজস্ব উত্তরটি দেখায় যে এই প্রশ্নটি এখানে কেন: আমরা একটি সুষম দৃষ্টিভঙ্গি সরবরাহ করতে সক্ষম যা প্রশ্নের পরিসংখ্যান এবং এমএল উভয় দিককে সঠিকভাবে চিহ্নিত করে এবং তুলনা করে। যদিও এটি সম্ভব যে "ডেটা সায়েন্স" সাইটের যে কোনও উত্তর এইরকম অবদান রাখতে পারে, সেখানে আমার অভিজ্ঞতা আছে যে এটি অসম্ভব হবে।
শুক্র

3
আমি হতবাক হয়েছি যে নতুন সাইটটি কল ডেটা সায়েন্স, যা পরিসংখ্যানের চেয়ে অর্ধেকেরও বেশি, যা এই সাইটটি সম্পর্কে।
ফ্র্যাঙ্ক হ্যারেল

উত্তর:


17

আপনি এই রেফারেন্সটি পরীক্ষা করে দেখতে চাইতে পারেন । বিজ্ঞান-কিট লার্ন এলোমেলোভাবে লজিস্টিক রিগ্রেশন প্রয়োগ করে এবং সেখানে পদ্ধতিটি বর্ণিত হয়েছে।

তবে আপনার প্রশ্নের জবাব দিতে, দুটি লক্ষ্যই তাদের লক্ষ্যগুলিতে মূলত পৃথক। লজিস্টিক রিগ্রেশন একটি মডেল ফিট করার বিষয়ে এবং আরএলআর মডেলটির মধ্যে থাকা ভেরিয়েবলগুলি সন্ধান করার বিষয়ে।

ভ্যানিলা লজিস্টিক রিগ্রেশন একটি সাধারণ রৈখিক মডেল। বাইনারি প্রতিক্রিয়ার জন্য, আমরা পোষ্ট করি যে প্রতিক্রিয়ার সম্ভাবনার লগ প্রতিক্রিয়াগুলি অনেকগুলি ভবিষ্যদ্বাণীকের একটি লিনিয়ার ফাংশন। ভবিষ্যদ্বাণীকারীদের সহগগুলি সর্বাধিক সম্ভাবনা ব্যবহার করে অনুমান করা হয় এবং পরামিতিগুলি সম্পর্কে অনুমিতিগুলি তখন মডেলের বৃহত নমুনার বৈশিষ্ট্যের উপর ভিত্তি করে তৈরি করা হয়। সেরা ফলাফলের জন্য, আমরা সাধারণত ধরে নিই যে মডেলটি মোটামুটি সহজ এবং ভাল বোঝা। আমরা জানি কি স্বাধীন ভেরিয়েবল প্রতিক্রিয়া প্রভাবিত করে। আমরা মডেলটির পরামিতিগুলি অনুমান করতে চাই।

অবশ্যই, অনুশীলনে, আমরা সবসময় জানি না মডেলটিতে কী ভেরিয়েবলগুলি অন্তর্ভুক্ত করা উচিত। এটি বিশেষত মেশিন লার্নিং পরিস্থিতিতে সত্য যেখানে সম্ভাব্য ব্যাখ্যামূলক ভেরিয়েবলগুলির সংখ্যা বিশাল এবং তাদের মানগুলি অপূর্ব।

বছরের পর বছর ধরে, বহু ব্যক্তি পরিবর্তনশীল (পড়ুন "বৈশিষ্ট্য") নির্বাচনের উদ্দেশ্যে স্ট্যাটিস্টিকাল মডেল ফিটিংয়ের কৌশলগুলি ব্যবহার করার চেষ্টা করেছেন। নির্ভরযোগ্যতার বর্ধমান স্তরে:

  1. অ-উল্লেখযোগ্য ওয়াল্ড পরিসংখ্যান সহ একটি বড় মডেল এবং ড্রপ ভেরিয়েবল ফিট করুন। সর্বদা সেরা মডেল উত্পাদন করে না।
  2. সমস্ত সম্ভাব্য মডেলগুলি দেখুন এবং "সেরা" চয়ন করুন। গণনামূলকভাবে নিবিড় এবং দৃ .় নয়।
  3. এল 1 পেনাল্টি টার্ম (লাসো স্টাইল) দিয়ে বড় মডেলটিকে ফিট করুন। অকেজো ভেরিয়েবলগুলি ফিট হয়ে যায়। ভাল, তবে বিরল ম্যাট্রিক্সের সাথে অস্থির।
  4. এলোমেলোভাবে পদ্ধতি ৩. এলোমেলো উপগ্রহগুলি নিন, প্রত্যেকের জন্য একটি দন্ডিত মডেল ফিট করুন এবং ফলাফলগুলি কল্ট করুন। পরিবর্তনশীল যেগুলি প্রায়শই আসে তা নির্বাচন করা হয়। যখন প্রতিক্রিয়া বাইনারি হয়, এটি এলোমেলোভাবে লজিস্টিক রিগ্রেশন। অবিচ্ছিন্ন ডেটা এবং সাধারণ রৈখিক মডেল দিয়ে অনুরূপ কৌশলটি টানা যায়।

2
+1 একটি সাধারণ পদ্ধতিটির মতো সু-কল্পিত, পাঠযোগ্য, তথ্যমূলক জরিপটি দেখে আনন্দিত হয়।
শুক্র
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.