Ushbu turdagi statistik tahlil (logit modeli sifatida ham tanilgan) ko'pincha bashoratli tahlil va modellashtirish uchun ishlatiladi va mashinani o'rganishdagi ilovalarga taalluqlidir

O‘ZBEKISTON RESPUBLIKASI AXBOROT TEXNOLOGIYALARI VA KOMMUNIKATSIYALARINI RIVOJLANTIRISH VAZIRLIGI
MUHAMMAD AL-XORAZMIY NOMIDAGI
TOSHKENT AXBOROT TEXNOLOGIYALARI UNIVERSITETI
,,MASHINALI O’QITISHGA KIRISH’’

MUSTAQIL ISH

Bajardi:_________K.I.F___________________ta’lim yo‘nalishi

___________012-18_______guruh
_______Elyorbek Sharobov________________________________
talabaning F.I.Sh.

LOGISTIC REGRESSION

Logistik regressiya nima?
Ushbu turdagi statistik tahlil (logit modeli sifatida ham tanilgan) ko'pincha bashoratli tahlil va modellashtirish uchun ishlatiladi va mashinani o'rganishdagi ilovalarga taalluqlidir. Ushbu tahliliy yondashuvda qaram o'zgaruvchi chekli yoki kategorik bo'ladi: yoki A yoki B (ikkilik regressiya) yoki A, B, C yoki D chekli variantlari qatori (ko'p nomli regressiya). U statistik dasturiy ta'minotda logistik regressiya tenglamasi yordamida ehtimolliklarni baholash orqali bog'liq o'zgaruvchi va bir yoki bir nechta mustaqil o'zgaruvchilar o'rtasidagi munosabatni tushunish uchun ishlatiladi.

Tahlilning bunday turi voqea sodir bo'lishi yoki tanlov qilish ehtimolini bashorat qilishga yordam beradi. Misol uchun, siz tashrif buyuruvchining veb-saytingizda taqdim etilgan taklifni tanlash ehtimolini bilishni xohlashingiz mumkin - yoki yo'q (qaram o'zgaruvchi). Sizning tahlilingiz tashrif buyuruvchilarning ma'lum xususiyatlarini ko'rib chiqishi mumkin, masalan, ular kelgan saytlar, saytingizga takroriy tashriflar, saytingizdagi xatti-harakatlar (mustaqil o'zgaruvchilar). Logistik regressiya modellari sizga qaysi turdagi tashrif buyuruvchilar taklifni qabul qilish yoki qabul qilmaslik ehtimolini aniqlashga yordam beradi. Natijada, siz taklifni ilgari surish bo'yicha yaxshiroq qarorlar qabul qilishingiz yoki taklifning o'zi haqida qaror qabul qilishingiz mumkin.

Mashinani o'rganish va bashoratli modellar
Mashinalarni o'rganish statistik tushunchalardan mashinalarga (kompyuterlarga) aniq dasturlashsiz "o'rganish" imkonini berish uchun foydalanadi. Logistik yondashuv, agar mashina o'rganayotgan vazifa ikkita qiymatga yoki ikkilik tasnifga asoslangan bo'lsa, eng mos keladi. Yuqoridagi misoldan foydalanib, sizning kompyuteringiz taklifingizni ilgari surish va o'z-o'zidan harakatlarni amalga oshirish uchun ushbu turdagi tahlildan foydalanishi mumkin. Va ko'proq ma'lumotlar taqdim etilsa, vaqt o'tishi bilan buni qanday qilib yaxshiroq qilishni o'rganishi mumkin.

Logistik tahlildan foydalanadigan bashoratli modellarning ayrim turlari:

Umumlashtirilgan chiziqli model
Diskret tanlov
Multinomial logit
Aralash logit
Probit
Multinomial probit
Buyurtma qilingan logit
Logistik regressiya nima uchun muhim?
Ushbu yondashuv yordamida yaratilgan bashoratli modellar sizning biznesingiz yoki tashkilotingizda ijobiy o'zgarishlarga olib kelishi mumkin. Ushbu modellar munosabatlarni tushunishga va natijalarni bashorat qilishga yordam berganligi sababli, qaror qabul qilishni yaxshilash uchun harakat qilishingiz mumkin. Masalan, ishlab chiqaruvchining analitik guruhi logistik regressiya tahlilidan statistik dasturiy ta'minot paketining bir qismi sifatida mashinalardagi qismlarning nosozliklari va bu qismlarning inventarda saqlanish muddati o'rtasidagi ehtimollikni aniqlash uchun foydalanishi mumkin. Ushbu tahlildan olingan ma'lumotlar bilan jamoa kelajakdagi nosozliklarni bartaraf etish uchun etkazib berish jadvallarini yoki o'rnatish vaqtlarini o'zgartirishga qaror qilishi mumkin.

Tibbiyotda ushbu tahliliy yondashuv ma'lum bir aholi uchun kasallik yoki kasallik ehtimolini bashorat qilish uchun ishlatilishi mumkin, ya'ni profilaktika choralarini qo'llash mumkin. Korxonalar ushbu yondashuvdan xaridorlarning xatti-harakatlarini tahlil qilish orqali xodimlarni yuqori ushlab turishga olib keladigan yoki ko'proq daromad keltiradigan mahsulotlarni yaratish uchun foydalanishlari mumkin. Ish dunyosida ushbu turdagi tahlilni maqsadi aniq bo'lgan ma'lumotlar olimlari qo'llaniladi: murakkab raqamli ma'lumotlarni tahlil qilish va sharhlash.

Statistik tushunchalar va ilovalar
Albatta, multinomial tahlil bir qator toifali natijalarni o'rganayotganda yordam berishi mumkin: A, B, C yoki D. Ammo ikkilik tahlil - ha yoki yo'q, mavjud yoki yo'q - ko'proq qo'llaniladi. Natijalar cheklangan bo'lsa-da, imkoniyatlar cheklangan emas. Ikkilik logistik regressiyadan beysbol statistikasidan tortib ko'chkiga moyillikdan qo'l yozuvi tahliligacha bo'lgan hamma narsani tekshirish uchun foydalanish mumkin.

Analitikaga bunday yondashuv bir qator statistik tushunchalar va ilovalar uchun ham foydalidir:

Matn tahlili
Chi-kvadrat avtomatik shovqinni aniqlash (CHAID)
Birgalikda tahlil qilish
Bootstrapping statistikasi
Nochiziqli regressiya
Klaster statistikasi va klaster tahlili dasturi
Monte-Karlo simulyatsiyasi
Ta'riflovchi statistika
Statistik tahlil dasturiy ta'minotidan foydalanish logistik regressiya tahlili, ko'p o'lchovli tahlil, neyron tarmoqlar, qarorlar daraxtlari va chiziqli regressiya kabi yondashuvlar uchun katta ahamiyatga ega. Ammo esda tuting: agar siz binolarda, bulutda yoki gibrid bulut konfiguratsiyasida katta ma'lumotlar to'plamini joylashtirishingiz kerak bo'lsa, apparat va bulutli hisoblash echimlari ham hisobga olinishi kerak.

Samarali logistik regressiyaning asosiy taxminlari

Bu yondashuv qachon eng samarali yoki samarasiz?

Ikkilik logistik regressiya ko'proq qo'llanilsa va muhokama qilinsa-da, har bir tur eng samarali ekanligini hisobga olish foydali bo'lishi mumkin.

Multinomial xatti-harakatni bashorat qilish uchun o'zgaruvchilarning kategorik diapazoni asosida sub'ektlarni guruhlarga ajratish uchun ishlatilishi mumkin. Misol uchun, siz so'rov o'tkazishingiz mumkin, unda ishtirokchilardan bir nechta raqobatbardosh mahsulotlardan birini o'zlarining sevimlilari sifatida tanlashlari so'raladi. Siz mahsulotingizga qiziqishi yuqori bo'lgan odamlarning profilini yaratishingiz va shunga mos ravishda reklama strategiyangizni rejalashtirishingiz mumkin.

Ikkilik, ikkita natijaga ega bo'lgan kategorik javob o'zgaruvchisi uchun hodisa ehtimolini modellashtirishni xohlaganingizda eng foydali hisoblanadi. Kredit mutaxassisi keyingi mijozning kredit bo'yicha defolt bo'lishi mumkinmi yoki yo'qligini bilishni xohlaydi. Ikkilik tahlil muayyan mijozga kredit berish xavfini baholashga yordam beradi.

Potentsial xavflar
Sinf xonasi - Logistik regressiyaning kamchiliklari (havola ibm.com saytidan tashqarida) ma'lumotlariga ko'ra, bunday tahlil qachon samarasiz bo'lishi mumkinligini tushunish ham foydalidir. E'tibor berish kerak bo'lgan ba'zi xavflar:

Mustaqil o'zgaruvchilar haqiqiy bo'lishi kerak. Noto'g'ri yoki to'liq bo'lmagan o'zgaruvchilar modelning taxminiy qiymatini pasaytiradi.

Doimiy natijalardan qoching. Harorat, vaqt yoki ochiq bo'lgan har qanday narsa modelni ancha aniqroq qiladi.
O'zaro bog'liq ma'lumotlardan foydalanmang. Agar ba'zi kuzatishlar bir-biri bilan bog'liq bo'lsa, model ularning ahamiyatini oshirib yuborishga moyil bo'ladi.
Ortiqcha o'ylash yoki ortiqcha gapirishdan ehtiyot bo'ling. Ushbu statistik tahlil modellari aniq, ammo aniqlik xatosiz yoki tafovutsiz emas.
Asboblar va taqqoslashlar
Asboblar
Ushbu tahliliy yondashuvni Microsoft Excel-da amalga oshirishingiz mumkin, ammo deyarli barcha ilovalar uchun, shu jumladan shartli logistik regressiya, bir nechta logistik regressiya va ko'p o'zgaruvchan logistik regressiya uchun ochiq manba (logistik regressiya R) yoki tijorat (logistik regressiya SPSS) dasturiy paketlaridan foydalanish tavsiya etiladi. ma'lumotlarni tahlil qilish va texnikani yanada samarali qo'llash. Tahlilni Excelda amalga oshirishingiz yoki logistik regressiya tenglamalari, logistik regressiya modellari va logistik regressiya formulalaridan foydalanish jarayonini sezilarli darajada soddalashtiradigan IBM SPSS® Statistics kabi statistik dasturiy paketlardan foydalanishingiz mumkin.

Chiziqli regressiya bilan solishtirish

Qachon chiziqli yoki logistik tahlildan foydalanish keng tarqalgan so'rovdir. Asosan, chiziqli regressiya tahlili, masalan, qaram o'zgaruvchi ochiq yoki doimiy bo'lsa - astronomik masofalar yoki haroratlarda samaraliroq qo'llaniladi. Agar qaram o'zgaruvchi qiymatlar diapazoni yoki kategorik - A yoki B ... yoki A, B, C yoki D bilan cheklangan bo'lsa, logistik yondashuvdan foydalaning.