Logistic分类器 - 版本历史

2024年1月19日 (五) 11:29 Zeroclanzhang

2024-01-19T11:29:16Z

←上一版本		2024年1月19日 (五) 19:29的版本
第7行：		第7行：
	\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=~~[[Has english name::~~Logistic Classification Learner]]		\|nodeenglishname=Logistic Classification Learner
	\|abbreviation=~~[[Has abbreviation::~~LogisticGBM]]		\|abbreviation=LogisticGBM
	\|funcmaincategory=机器学习		\|funcmaincategory=机器学习
	\|funcsubcategory=[[DataML Lv1 Cat::分类训练器]]		\|funcsubcategory=[[DataML Lv1 Cat::分类训练器]]

Wurong：/* 参数配置 */

2024-01-19T02:11:27Z

参数配置

←上一版本		2024年1月19日 (五) 10:11的版本
第54行：		第54行：
	* 设置随机数：控制模型的随机性。		* 设置随机数：控制模型的随机性。
	* 正则化参数：正则化参数是机器学习算法中的一个重要参数，用于控制模型的复杂度并防止过拟合（Overfitting）。选择适当的正则化参数对于获得良好的模型性能非常重要。默认为1.0。		* 正则化参数：正则化参数是机器学习算法中的一个重要参数，用于控制模型的复杂度并防止过拟合（Overfitting）。选择适当的正则化参数对于获得良好的模型性能非常重要。默认为1.0。
			* 惩罚规则选择：惩罚的允许值取决于所选择的算法。求解器支持的惩罚：'lbfgs' - ['l2'，None], 'liblinear' - ['l1', 'l2'], 'newton-cg' - ['l2'，None],'newton-cholesky' - ['l2'，None], 'sag' - ['l2'，，None], 'saga' - ['elasticnet', 'l1', 'l2', None]。
			* 优化算法选择：
			**liblinear：这是适用于小型数据集的优化算法。它基于坐标轴下降法（coordinate descent）和拟牛顿法（quasi-Newton）进行优化。liblinear对于处理二分类问题或多类问题的一对多（one-vs-rest）方法都是有效的。它还可以处理L1和L2正则化。
			**newton-cg：这是使用牛顿法的优化算法。它通过计算损失函数的二阶导数信息来更新模型参数。newton-cg适用于处理具有较小数据集的二分类或多类分类问题，但不适用于L1正则化。
			**lbfgs：这是使用拟牛顿法的优化算法。它也利用损失函数的二阶导数信息进行参数更新。lbfgs适用于处理具有较小数据集的二分类或多类分类问题，且支持L2正则化。
			**sag：这是随机平均梯度下降（Stochastic Average Gradient）的优化算法。它使用样本的一部分计算梯度，并在每次迭代中更新模型参数。sag适用于处理具有大型数据集的二分类或多类分类问题，但不支持L1正则化。
			**saga：这是liblinear和sag算法的改进版本，支持L1和L2正则化，并可以处理大型数据集。saga在处理大规模数据集时比较高效。
			**设置容忍度：设置停止标准（stopping criteria）的容忍度。默认0.0001。
			**设置最大迭代次数。

	===注意事项===		===注意事项===

Wurong：/* 算法概述 */

2024-01-19T01:59:50Z

算法概述

←上一版本		2024年1月19日 (五) 09:59的版本
第28行：		第28行：
	}}		}}
	==算法概述==		==算法概述==
			在统计学中，逻辑模型（或logit模型）是一种统计模型，将事件的对数概率建模为一个或多个自变量的线性组合。在回归分析中，逻辑回归<ref>{{cite journal \|title=Logistic Regression: Relating Patient Characteristics to Outcomes \|author=Tolles, Jonathan and Meurer, William J. \|journal=JAMA \|volume=316 \|issue=5 \|pages=533–534 \|year=2016 \|doi=10.1001/jama.2016.7653}}</ref>（或logit回归）是估计逻辑模型的参数（线性组合中的系数）。形式上，在二元逻辑回归中，有一个由指标变量编码的单一二元因变量，其中两个值被标记为“0”和“1”，而自变量可以分别是二元变量（两类，由指标变量进行编码）或连续变量（任何实值）<ref>{{cite book \|title=Applied Logistic Regression \|last1=Hosmer \|first1=David W. \|last2=Lemeshow \|first2=Stanley \|edition=2nd \|year=2000 \|publisher=Wiley \|isbn=978-0-471-35632-5}}</ref>。对数赔率量表的计量单位被称为logit，来自逻辑单位。

	==示例代码-Logistic分类节点==		==示例代码-Logistic分类节点==

Wurong：/* 注意事项 */

2024-01-19T01:55:40Z

注意事项

←上一版本		2024年1月19日 (五) 09:55的版本
第58行：		第58行：
	* 节点不出图，		* 节点不出图，
	* 导入该节点的数据端口为训练数据集，导入前注意转换。		* 导入该节点的数据端口为训练数据集，导入前注意转换。
			* Logistic回归是具有二项式/伯努利条件分布和Logit link的广义线性模型(GLM)的一个特例。逻辑回归的数字输出，即预测概率，可以通过应用阈值（默认为0.5）作为分类器。这就是它在决策链中的实现方式，因此它需要有一个分类的结局变量，使逻辑回归成为分类器。

	== 参考文献 ==		== 参考文献 ==

Wurong：/* 算法概述 */

2024-01-19T01:55:06Z

算法概述

←上一版本		2024年1月19日 (五) 09:55的版本
第28行：		第28行：
	}}		}}
	==算法概述==		==算法概述==


	==示例代码-Logistic分类节点==		==示例代码-Logistic分类节点==

2024年1月18日 (四) 09:44 Zeroclanzhang

2024-01-18T09:44:14Z

←上一版本		2024年1月18日 (四) 17:44的版本
第5行：		第5行：
	\|simpleicon=Logistic Classification Learner_Pure.svg		\|simpleicon=Logistic Classification Learner_Pure.svg
	\|developer=Dev.Team-DPS		\|developer=Dev.Team-DPS
	\|productionstate=~~PC可用~~		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[DecisionLinnc \| V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=[[Has english name::Logistic Classification Learner]]		\|nodeenglishname=[[Has english name::Logistic Classification Learner]]
	\|abbreviation=[[Has abbreviation::LogisticGBM]]		\|abbreviation=[[Has abbreviation::LogisticGBM]]
第20行：		第20行：
	\|nodeavailableplotlist=nodenoplotoutput		\|nodeavailableplotlist=nodenoplotoutput
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList;~~DropManu~~;Text		\|nodeconfiguration=VariableList;DropMenu;Text
	\|nodeinputports=WorkFlow-Control ➤;Transfer-Table ■		\|nodeinputports=WorkFlow-Control ➤;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control ➤;Transfer-Model ▶;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control ➤;Transfer-Model ▶;Transfer-Table ■
第27行：		第27行：
	\|nextnode=[[LightGBM]]		\|nextnode=[[LightGBM]]
	}}		}}


	==算法概述==		==算法概述==

第64行：		第62行：
	== 参考文献 ==		== 参考文献 ==
	{{reflist}}		{{reflist}}


	{{Navplate AlgorithmNodeList}}		{{Navplate AlgorithmNodeList}}

	[[Category:分类训练器]]		[[Category:分类训练器]]

Wurong：/* 参数配置 */

2024-01-18T09:33:51Z

参数配置

←上一版本		2024年1月18日 (四) 17:33的版本
第55行：		第55行：
	===参数配置===		===参数配置===
	* 设置随机数：控制模型的随机性。		* 设置随机数：控制模型的随机性。
			* 正则化参数：正则化参数是机器学习算法中的一个重要参数，用于控制模型的复杂度并防止过拟合（Overfitting）。选择适当的正则化参数对于获得良好的模型性能非常重要。默认为1.0。

	===注意事项===		===注意事项===

Wurong：/* 示例代码-支持向量机分类节点 */

2024-01-18T09:32:31Z

示例代码-支持向量机分类节点

←上一版本		2024年1月18日 (四) 17:32的版本
第32行：		第32行：


	==示例代码-~~支持向量机分类节点~~==		==示例代码-Logistic分类节点==
	该节点使用Python编写，调用scikit-learn包<ref>{{cite journal \|author=Kramer, Oliver \|title=Scikit-learn \|journal=Machine learning for evolution strategies \|pages=45--53 \|year=2016 \|publisher=Springer }}</ref>。以下为示例代码：		该节点使用Python编写，调用scikit-learn包<ref>{{cite journal \|author=Kramer, Oliver \|title=Scikit-learn \|journal=Machine learning for evolution strategies \|pages=45--53 \|year=2016 \|publisher=Springer }}</ref>。以下为示例代码：
	<syntaxhighlight lang="Python">		<syntaxhighlight lang="Python">

2024年1月18日 (四) 08:45 Wurong

2024-01-18T08:45:36Z

←上一版本		2024年1月18日 (四) 16:45的版本
第29行：		第29行：


			==算法概述==


			==示例代码-支持向量机分类节点==
			该节点使用Python编写，调用scikit-learn包<ref>{{cite journal \|author=Kramer, Oliver \|title=Scikit-learn \|journal=Machine learning for evolution strategies \|pages=45--53 \|year=2016 \|publisher=Springer }}</ref>。以下为示例代码：
			<syntaxhighlight lang="Python">
			from sklearn.datasets import load_iris
			from sklearn.linear_model import LogisticRegression
			X, y = load_iris(return_X_y=True)
			clf = LogisticRegression(random_state=0).fit(X, y)
			clf.predict(X[:2, :])
			clf.predict_proba(X[:2, :])
			clf.score(X, y)
			</syntaxhighlight>

			拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。

			=='''节点使用指南'''==
			* 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
			* 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。
			===变量配置===
			* 选择特征变量：作为特征进行学习的变量（X），多选。
			* 选择目标变量：作为结局的二分类变量（y），单选。

			===参数配置===
			* 设置随机数：控制模型的随机性。


			===注意事项===
			* 不支持带空值运算，用[[多重插补]]或[[插补空值]]进行插补，
			* 节点不出图，
			* 导入该节点的数据端口为训练数据集，导入前注意转换。

			== 参考文献 ==
			{{reflist}}

	{{Navplate AlgorithmNodeList}}		{{Navplate AlgorithmNodeList}}

	[[Category:分类训练器]]		[[Category:分类训练器]]

2023年12月8日 (五) 06:14 Zeroclanzhang

2023-12-08T06:14:14Z

←上一版本		2023年12月8日 (五) 14:14的版本
第21行：		第21行：
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList;DropManu;Text		\|nodeconfiguration=VariableList;DropManu;Text
	\|nodeinputports=WorkFlow-Control 🠊;Transfer-Table ■		\|nodeinputports=WorkFlow-Control ➤;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control 🠊;Transfer-Model ▶;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control ➤;Transfer-Model ▶;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/Logistic分类器		\|statsapewikiurl=https://wiki.statsape.com/Logistic分类器
	\|previousnode=[[CatBoost]]		\|previousnode=[[CatBoost]]

Logistic分类器 - 版本历史

2024年1月19日 (五) 11:29 Zeroclanzhang

Wurong：​/* 参数配置 */

Wurong：​/* 算法概述 */

Wurong：​/* 注意事项 */

Wurong：​/* 算法概述 */

2024年1月18日 (四) 09:44 Zeroclanzhang

Wurong：​/* 参数配置 */

Wurong：​/* 示例代码-支持向量机分类节点 */

2024年1月18日 (四) 08:45 Wurong

2023年12月8日 (五) 06:14 Zeroclanzhang

Wurong：/* 参数配置 */

Wurong：/* 算法概述 */

Wurong：/* 注意事项 */

Wurong：/* 算法概述 */

Wurong：/* 参数配置 */

Wurong：/* 示例代码-支持向量机分类节点 */