В основе узла «Логистическая регрессия» лежит метод построения линейного классификатора, позволяющий оценивать апостериорные вероятности принадлежности объектов классам.
Список параметров узла представлен в таблице (Таблица 32).
| Якорь |
|---|
_Ref91716618 | _Ref91716618 | Таблица 32 — ниже.| Scroll Title |
|---|
| title-position | top |
|---|
| title-alignment | right |
|---|
| title | Параметры узла «Логистическая регрессия» |
|---|
|
Параметр | Возможные значения и ограничения | Описание |
|---|
Название | Ручной ввод
Ограничений на значение нет | Название узла, которое будет отображаться в интерфейсе | Описание | Ручной ввод
Ограничений на значение нет | Описание узла | Тип многоклассовой классификации | Раскрывающийся список со следующими значениями: - Бинарная классификация (по умолчанию)
- Многоклассовая классификация
| Данный параметр задает тип многоклассовой классификации. Предусмотрены следующие методы: - Бинарная классификация – метод «один против остальных»
- Многоклассовая классификация – метод «многие против многих»
Если решается бинарная логистическая регрессия, разницы между рассматриваемыми методами нет.
| Добавить константу в модель | Чекбокс | Выбор данного чекбокса добавит константу в модель | L1 | Ручной ввод
Число больше или равное 0
По умолчанию — 0,5 | Данный параметр задает значение L1-регуляризации | L2 | Ручной ввод
Число больше или равное 0
По умолчанию — 0,5 | Данный параметр задает значение L2-регуляризации | Seed | Ручной ввод числового значения
По умолчанию — 42 | Начальное числовое значение для генератора случайных чисел | Количество итераций | Ручной ввод
Неотрицательное число
По умолчанию — 100 | Данный параметр задает количество итераций, после достижения алгоритм останавливается | Метод оптимизации | Раскрывающийся список со следующими значениями: - lbfgs (по умолчанию)
- newton-cg
- liblinear
- sag
- saga
| Данный параметр задает метод оптимизации. Предусмотрены следующие методы: - lbfgs – использует вторую производную матрицу функции потерь для итерационной оптимизации функции потерь
- newton-cg – использует алгоритм Newton-Conjugate-Gradient
- liblinear – использует метод спуска оси координат для итеративной оптимизации функции потерь
- sag – стохастический средний градиентный спуск
- saga – использует улучшенную версию стохастического среднего градиентного спуска
Метод liblinear доступен только при выборе бинарной классификации.
Методы newton-cg, lbfgs, sag и saga обрабатывают L2 или без штрафа. Методы liblinear и saga также обрабатывают штраф L1. Метод saga также поддерживает штраф elasticnet (L1 + L2).
Для небольших наборов данных метод liblinear - хороший выбор, тогда как sag и saga быстрее для больших.
В случае неправильно выставленных пользователем методов оптимизации, автоматически будет произведена замена.
| Допустимая погрешность | Ручной ввод
Неотрицательное число
По умолчанию — 0,0001 | Данный параметр задает допустимую погрешность для оптимизации, после достижения которой алгоритм останавливается |
|
Результаты выполнения узла:
- Таблица с метриками качества модели (Рисунок 145).
| Якорь |
|---|
_Ref91716327 | _Ref91716327 | Рисунок 145 — Пример таблицы с метриками качества модели- Таблица с метриками качества модели задачи классификации (Рисунок 146).
| Якорь |
|---|
_Ref91716414 | _Ref91716414Рисунок 146 — Пример таблицы с метриками качества модели задачи классификации- Таблица с коэффициентами переменных (Рисунок 147).
anchor
_Ref91716490 | _Ref91716490 | Рисунок 147 — Пример таблицы с коэффициентами переменных