কেন একজনকে লজিস্টিক রিগ্রেশনে শ্রেণিবদ্ধ ভবিষ্যদ্বাণীগুলির রূপান্তর করতে হবে?

10

প্রমাণ ওজন (ডাব্লুইউই) শ্রেণিবদ্ধ ভেরিয়েবলের রূপান্তর কখন কার্যকর হয়?

(সুতরাং একটি প্রতিক্রিয়ার জন্য , & সঙ্গে একটি শ্রেণীগত predictor বিভাগ, & সফলতা বাইরে বিচারের মধ্যে এই predictor বিষয়শ্রেণীতে তম জন্য দুর্ভোগ তম বিভাগ হিসেবে সংজ্ঞায়িত করা হয় $y$ $k$ $y_j$ $n_j$ $j$ $j$

\log \frac{y_{j}}{\sum_{j}^{k} y_{j}} \frac{\sum_{j}^{k} (n_{j} - y_{j})}{n_{j} - y_{j}}

$\log \frac{y_j} {\sum_j^k {y_j}} \frac{\sum_j^k (n_j-y_j)}{n_j-y_j}$

& রূপান্তরটি একটি নতুন ধারাবাহিক ভবিষ্যদ্বাণী গঠনের জন্য শ্রেণিবদ্ধ ভবিষ্যদ্বাণীটির প্রতিটি বিভাগকে তার WOE এর সাথে কোডিং করে)

আমি ডাব্লুইউই রূপান্তর কেন লজিস্টিক রিগ্রেশনকে সহায়তা করে তার কারণটি জানতে চাই। এর পেছনে তত্ত্ব কী?

logistic categorical-data regression-strategies

— আদম
সূত্র

6

আপনি যে উদাহরণটির সাথে লিঙ্ক করেন, বিভাগটি পূর্বাভাসক একটি মাত্র ধারাবাহিক পরিবর্তনশীল দ্বারা প্রতিনিধিত্ব করা হয় প্রতিটি স্তরের জন্য সেই স্তরের প্রতিক্রিয়াটির পর্যবেক্ষণের লগ প্রতিক্রিয়াগুলির সমান (একটি ধ্রুবক):

\log \frac{y_{j}}{n_{j} - y_{j}} + \log \frac{\sum_{j}^{k} (n_{j} - y_{j})}{\sum_{j}^{k} y_{j}}

$\log \frac{y_j} {n_j-y_j} + \log \frac{\sum_j^k (n_j-y_j)}{\sum_j^k {y_j}}$

এই উদ্বিগ্নতা আমি যেভাবে ভাবতে পারি তার তেমন কোনও উদ্দেশ্য করে না: আপনি সাধারণ ডামি কোডিং ব্যবহার করার মতোই একই পূর্বাভাসিত প্রতিক্রিয়া পাবেন; তবে স্বাধীনতার ডিগ্রিগুলি ভুল, মডেল সম্পর্কে কিছু কার্যকর ফর্মকে অবৈধ করে।

রূপান্তরিত করার জন্য বিভিন্ন শ্রেণিবদ্ধ ভবিষ্যদ্বাণীগুলির সাথে একাধিক রিগ্রেশনে, আমি মনে করি আপনি প্রান্তিক লগ প্রতিক্রিয়াগুলি ব্যবহার করে প্রত্যেকের জন্য ডব্লিউওই গণনা করতেন। এটি পূর্বাভাসিত প্রতিক্রিয়াগুলিকে পরিবর্তন করবে; তবে বিভ্রান্তিকর বিষয়টি বিবেচনায় নেওয়া হয় নি — শর্তসাপেক্ষ লগ প্রতিক্রিয়াগুলি প্রান্তিক লগ প্রতিক্রিয়াগুলির লিনিয়ার ফাংশন নয় it আমি এটির উন্নতি অনুমান করার কোনও কারণ দেখতে পাচ্ছি না, এবং অনুমানমূলক সমস্যা রয়ে গেছে remain

— স্কর্চচি - মনিকা পুনরায় স্থাপন করুন
সূত্র

আপনি কি ব্যাখ্যা করতে পারেন যে ডাব্লুওইউর সাথে স্বাধীনতার ডিগ্রি কেন ভুল? এটা ঠিক একটি রূপান্তর অধিকার? এছাড়াও যদি আমাদের বেশ কয়েকটি শ্রেণিবদ্ধ ভেরিয়েবল থাকে এবং আমরা প্রত্যেকটির জন্য একে একে WOE পেয়েছিলাম? আমার অভিজ্ঞতায় যখন আপনার অনেকগুলি শ্রেণীবদ্ধ ভেরিয়েবল থাকে তখন বিভিন্ন ভেরিয়েবলের মধ্যে কিছু বালতি প্রচুর পরিমাণে ওভারল্যাপ করে এবং আপনি কিছু সহগগুলি দেখতে শুরু করেন যা তুচ্ছ। এবং আপনার বেশ কয়েকটি সহগকে বহন করতে হবে।

— আদম

1

(1) এমন একটি রূপান্তর যা প্রতিক্রিয়ার সাথে প্রতিক্রিয়ার সম্পর্ক মূল্যায়নের উপর নির্ভর করে - এমন কিছু যা রিগ্রেশনটিতে ছেড়ে যাওয়ার কথা। সুতরাং উদাহরণস্বরূপ সম্ভাবনা অনুপাত পরীক্ষার পরিসংখ্যানগুলির যখন একই রূপান্তর প্রাক-নির্দিষ্ট করা হয় তখন একই বন্টন হবে না। (2) ভাল পয়েন্ট! - ডাব্লুওইগুলিতে একাধিক রিগ্রেশন ডামি ভেরিয়েবলগুলির সাথে সমান হবে না (যদি না মডেলগুলি স্যাচুরেটেড হয়)। (3) তাহলে কি? (4) গুণাগুণগুলি ডাব্লুওইওর চেয়ে কোনও ভারী নয়।

— স্কর্চচি - মনিকা পুনরায় ইনস্টল করুন

আমার ধারণা, ওউ এমন এক সময় থেকে একটি বাকী অংশ যেখানে গণনা যেখানে আজকের চেয়ে বেশি সমস্যা। তাই সম্ভবত, অনেকগুলি স্তরযুক্ত শ্রেণিবদ্ধ ভবিষ্যদ্বাণীগুলির সাথে একটি সংখ্যার পরিবর্তনশীল রূপান্তর করা একটি উজ্জ্বল ধারণা ছিল!

— কেজেটিল বি হালওয়ারসেন

1

প্রমাণের ওজনের পরিমাপ (ওও) এর পরিমাপটি ব্যবহার করে মোটা শ্রেণিবদ্ধকরণের নিম্নলিখিত সুবিধা রয়েছে - ওউ বৈষম্যের অনুপাতের প্রাকৃতিক লোগারিদমের সাথে একটি রৈখিক সম্পর্ক প্রদর্শন করে যা লজিস্টিক রিগ্রেশনে নির্ভরশীল পরিবর্তনশীল।
সুতরাং, যখন আমরা ভেরিয়েবলের আসল মানগুলির পরিবর্তে ওওউ ব্যবহার করি তখন মডেল অপব্যবহারের প্রশ্নটি লজিস্টিক রিগ্রেশনে উত্থিত হয় না।

$ln(p/1-p)$ = + * + * + * $\alpha$ $\beta$ $WoE(Var1)$ $\gamma$ $WoE(Var2)$ $\eta$ $WoE(Var3 )$

উত্স: পিপিটিগুলির একটিতে আমার প্রশিক্ষক আমাকে সংস্থা প্রশিক্ষণের সময় দেখিয়েছিলেন।

— শ্রীকান্ত গুহান
সূত্র

2

"আমরা যখন ভেরিয়েবলের আসল মানগুলির পরিবর্তে ওওউ ব্যবহার করি তখন লজিস্টিক রিগ্রেশনে মডেল অপব্যবহারের উদ্ভব হয় না"। আপনি এই গাণিতিকভাবে ব্যাখ্যা / প্রমাণ করতে পারবেন?

— আদম

আমি ঝুঁকি বিশ্লেষণের ব্যাকগ্রাউন্ড থেকে নেই তবে এই বইয়ের 131,132 পৃষ্ঠাটি বলে মনে হয়েছে তাই book.google.co.in/…

— শ্রীকান্ত গুহান ২

এছাড়াও এই লিঙ্কটি একই দাবি করেছে যদিও কোনও গণিত বিশ্লেষণ করা হয়নি বিশ্লেষণাত্মক

— ব্রিজেড

1

লিঙ্কগুলির জন্য ধন্যবাদ, তবে এটি স্পষ্টভাবে অসত্য যে প্রান্তিক লগ প্রতিক্রিয়াগুলির সাথে ওও সমানুপাতিক, শর্তাধীন লগ প্রতিক্রিয়াগুলির সাথে লিনিয়ার সম্পর্ক রয়েছে যার সাথে লজিস্টিক রিগ্রেশন নিজেই উদ্বেগ প্রকাশ করে। অন্যান্য ভবিষ্যদ্বাণীকারীদের সাথে বিভ্রান্ত হওয়ার ফলে এমনকি ওও অর্ডার বিভাগগুলিতে আলাদাভাবে পরিণতি ঘটতে পারে।

— স্কোর্টচি - মনিকা পুনরায় ইনস্টল করুন

1

ডাব্লুএইউ রূপান্তরগুলি যখন আপনার কাছ থেকে তথ্য বের করতে চাইবে এমন সমস্ত সংখ্যক এবং শ্রেণিবদ্ধ তথ্য যা আপনাকে একত্রিত করতে এবং হারিয়ে যাওয়া মানগুলি প্রয়োজন তখন সহায়তা করে। WOE- এ সমস্ত কিছু রূপান্তরকরণ একই লগ প্রতিকূলতার স্কেলে অনেকগুলি বিভিন্ন ধরণের ডেটা (এমনকি হারিয়ে যাওয়া ডেটা) "মানীকৃত" করতে সহায়তা করে। এই ব্লগ পোস্টটি জিনিসগুলিকে যুক্তিসঙ্গতভাবে ভালভাবে ব্যাখ্যা করেছে: http://multithreaded.stitchfix.com/blog/2015/08/13/ight-of-evidence/

গল্পটির সংক্ষিপ্তসারটি হ'ল ডাব্লুওউইয়ের সাথে লজিস্টিক রিগ্রেশনটি কেবলমাত্র (এবং বলা হয়) সেমি-নাইভ বায়সিয়ান ক্লাসিফায়ার (এসএনবিসি) হওয়া উচিত। আপনি যদি অ্যালগরিদম বোঝার চেষ্টা করছেন তবে এসএনবিসি নামটি আমার কাছে অনেক বেশি তথ্যপূর্ণ।

— Stephened
সূত্র