در این پست می‌خواهیم با Logistic regression آشنا شویم. در ابتدا با مفهوم Logistic regression آشنا شده، سپس مثالی از یک شبکه که از Logistic regression استفاده می‌کند، آورده شده است. با کمپنا همراه باشید.

به طور کلی، شبکه‌های عصبی به منظور کلاسترینگ، کلاس‌بندی یا رگرسیون مورد استفاده قرار می‌گیرند. نقشه‌های Logistic regression، مجموعه‌ای از داده‌های پیوسته را به مجموعه داده‌های پیوسته دیگری نگاشت می‌کنند. این در حالی است که در کلاس‌بندی، نوعی از Logistic regression در آخرین لایه شبکه استفاده می‌شود تا داده‌های پیوسته را به متغیرهایی بی‌معنی مثل ۰ یا ۱ تبدیل کند.

مثلا با دانستن سن، متراژ و فاصله یک خانه از یک مدرسه خوب، می‌توان پیش‌بینی کرد که این خانه چه مبلغی به فروش خواهد رفت، یعنی نگاشت از فضای پیوسته به فضای پیوسته دیگر. هیچ متغیر بی‌معنی در اینجا وجود ندارد و تنها نگاشت متغیر مستقل x به متغیر پیوسته y انجام می‌گیرد. در دیاگرام زیر چگونگی انجام این امر نشان داده شده است.

Logistic regression

در دیاگرام بالا، x نشان‌دهنده ورودی است. هر ورودی در یک وزن متناظر (w) ضرب می‌شود. مجموع این ضرایب با یک بایاس جمع شده و به یک activation function داده می‌شود. در اینجا از تابع ReLU استفاده شده است. تابع ReLU برای هر گره پنهان، یک خروجی a تولید می‌کند. این خروجی‌ها در گره خروجی با یکدیگر جمع می‌شوند.

شبکه عصبی که عمل رگرسیون را انجام می‌دهد تنها یک گره خروجی دارد و خروجی این گره، تنها مجموع خروجی‌های لایه قبل با ضریب یک است. خروجی شبکه ŷ خواهد شد، متغیری وابسته که تمامی ورودی‌ها به آن نگاشته می‌شوند.

برای انجام عملیات پس‌انتشار (backpropagation ) و یادگیری شبکه، به سادگی می‌توان مقدار ŷ را با مقادیر واقعی (ground-truth) مقایسه کرده و متناسب با آن مقادیر وزن‌ها و بایاس را تنظیم کرد تا خطای شبکه مینیمم شود. مثلا از RMSE می‌توان به عنوان تابع هزینه استفاده نمود.

به این ترتیب می‌توان از یک شبکه عصبی برای تبدیل متغیرهای مستقل x به متغیرهای وابسته y استفاده کرد. متغیر y، همان متغیری است که می‌خواهیم پیش‌بینی کنیم.

لطفا به این پست رای دهید…

۰
برچسب

deep learning, deep learning tensorflow, Logistic regression, machine learning, neural network, رگرسیون, رگرسیون باینری, کلاس‌بندی, یادگیری عمیق, یادگیری ماشین,