সংক্ষিপ্ত সংস্করণ
দীর্ঘ সংস্করণ
গাণিতিক মডেলিংয়ের সুন্দর জিনিসটি এটি নমনীয়। এটি প্রকৃতপক্ষে সমতুল্য ক্ষতির ফাংশন, তবে এগুলি ডেটাগুলির খুব পৃথক অন্তর্নিহিত মডেল থেকে প্রাপ্ত।
1 নং সূত্র
একটি থেকে প্রথম স্বরলিপি আহরিত বের্নুলির সম্ভাব্যতা মডেল জন্য , যা সাধারনত উপর সংজ্ঞায়িত করা হয় { 0 , 1 } । এই মডেলটিতে, ফলাফল / লেবেল / শ্রেণি / পূর্বাভাসটি একটি এলোমেলো ভেরিয়েবল Y দ্বারা প্রতিনিধিত্ব করা হয় যা একটি B e r n o u l l i ( p ) বন্টন অনুসরণ করে। তাই এর সম্ভাবনা হ'ল:
P ( Y = y | p ) = L ( p ; y ) = p yY{ 0 , 1 }ওয়াইবি ই আর এন ও ইউ ল এল আই (পি)
পি( ওয়াই= y | p)= L (p;y) ) = পিY ( 1 - পি )1 - y= { 1 - পিপিY= 0Y= 1
জন্য । সূচক মান হিসাবে 0 এবং 1 ব্যবহার করা আমাদের সংক্ষিপ্ত প্রকাশের জন্য ডানদিকে ডান দিকের অংশবিশেষকে হ্রাস করতে দেয়।পি ∈ [ 0 , 1 ]
যেমনটি আপনি উল্লেখ করেছেন, আপনি লগিট পি = β টি এক্স দিয়ে মেট্রিক্স ইনপুট ডেটা এক্স এর সাথে যুক্ত করতে পারেন । এখান থেকে সরল বীজগণিত কারসাজি প্রকাশ করে যে লগ এল ( পি ; ই ) আপনার প্রশ্নের প্রথম এল ( y , β টি x ) এর সমান (ইঙ্গিত: ( y - 1 ) = - ( 1 - y ) )। সুতরাং লগ-ক্ষয়কে { 0 এর চেয়ে কম করা হচ্ছে ,ওয়াইএক্সlogitপি = βটিএক্সলগএল (পি;ওয়াই))এল ( ওয়াই), βটিএক্স )( y)- 1 ) = - ( 1 - y)) একটি বের্নুলির মডেল সর্বোচ্চ সম্ভাবনা প্রাক্কলন দেওয়ার সমতুল্য।{ 0 , 1 }
এই সূত্র এছাড়াও একটি বিশেষ ক্ষেত্রে দেখা যায় সাধারণ রৈখিক মডেল , যা প্রণয়ন করা হয় একটি বিপরীত, differentiable ফাংশন জন্য গ্রাম ও ডিস্ট্রিবিউশনের ডি মধ্যে সূচকীয় পরিবার ।ওয়াই∼ ডি ( θ ) , ছ ( ওয়াই) = βটিএক্সছডি
সূত্র 2
Y{ - 1 , 1 }
সর্বাধিক ( { 0 , 1 - yβটিx } ) + λ ∥ β∥2।
এটি একটি সীমিত অপটিমাইজেশন সমস্যার ল্যাঙ্গরজিয়ান ফর্ম । এটা এছাড়াও একটি একটি উদাহরণ নিয়মিত উদ্দেশ্য ফাংশন অপ্টিমাইজেশান সমস্যা
কিছু ক্ষতি ফাংশন জন্য এবং একটি স্কেলার hyperparameter যে নিয়ন্ত্রণ নিয়মিতকরণ পরিমাণ ("সঙ্কুচিত" নামেও পরিচিত) প্রয়োগ হয় । কবজা ক্ষতির মাত্র এক বিভিন্ন ড্রপ-এ জন্য সম্ভাবনার , যা দ্বিতীয় অন্তর্ভুক্ত আপনার প্রশ্নের হবে। ℓ λ β ℓ এল ( y , β টি এক্স )
ℓ ( y), β) + λ ∥ β∥2
ℓλβℓএল ( ওয়াই), βটিএক্স )