Logistinė regresija – tai statistinis metodas, prognozuojantis vieno iš dviejų rezultatų, pavyzdžiui, „perka“ ar „neperka“, tikimybę. Jis sveria įvesties požymius ir jų sumą S formos funkcija paverčia reikšme tarp 0 ir 1. Kadangi svorius lengva interpretuoti, ji plačiai naudojama kredito vertinime, medicinoje ir rinkodaroje, dažnai kaip tvirtas pradinis atskaitos taškas sudėtingesniems modeliams.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąTiesinė regresija – tai statistinis metodas, aprašantis ryšį tarp tikslinio kintamojo ir vieno ar kelių prediktorių tiese ar plokštuma. Koeficientai dažniausiai parenkami taip, kad būtų minimali kvadratinių nuokrypių suma. Metodas lengvai suprantamas ir interpretuojamas: pavyzdžiui, juo galima įvertinti, kiek išauga pajamos, kai reklamos biudžetas padidėja 1 000 €. Jo ribos išryškėja esant netiesiniams ryšiams.
Klasifikatorius – tai modelis ar metodas, priskiriantis įvestį vienai iš kelių iš anksto apibrėžtų kategorijų. Klasikiniai variantai, tokie kaip sprendimų medžiai ar naivusis Bajeso klasifikatorius, mokomi su pažymėtais pavyzdžiais; kalbos modeliai taip pat gali rūšiuoti tekstus pagal kategorijų aprašymą. Tipiniai taikymai: šlamšto aptikimas, klientų užklausų rūšiavimas pagal temą ir kvitų kategorizavimas. Kokybė matuojama rodikliais, tokiais kaip tikslumas (accuracy), tikslumas (precision) ir pilnumas (recall).
Logaritminis nuostolis (angl. log loss, logarithmic loss) matuoja, kaip gerai klasifikavimo modelio prognozuotos tikimybės atitinka tikrus rezultatus. Užtikrintos, bet klaidingos prognozės baudžiamos ypač stipriai; artima nuliui reikšmė rodo gerai sukalibruotas prognozes. Pavyzdys: jei modelis klientui, kuris pasilieka, priskiria 95 % nutekėjimo tikimybę, logaritminis nuostolis smarkiai išauga. Matematiškai tai tas pats, kas dvejetainė kryžminė entropija.
Naivusis Bajeso klasifikatorius – paprastų klasifikavimo metodų šeima, pagrįsta Bajeso teorema. Jie vadinami „naiviais“, nes daroma prielaida, kad visi požymiai yra tarpusavyje nepriklausomi; praktikoje taip būna retai, tačiau rezultatai dažnai vis tiek geri. Metodai greiti, jiems reikia nedaug mokymo duomenų ir jie ypač tinka tekstams. Klasikinis pavyzdys – šlamšto filtras, rūšiuojantis el. laiškus pagal būdingus žodžius.
