Binäre logistische Regression
Fit binäre Ergebnisse gegen einen numerischen Prädiktor mit einer expliziten standardisierten L2-Slope Strafe und eine Abfrage Wahrscheinlichkeit zu bewerten.
IHRE BERECHNUNG
Ergebnis
—
Rechenschritte
Gehen Sie die Schritte einzeln durch oder zeigen Sie die gesamte Berechnung an. Die Schritte verwenden Ihre aktuellen Eingaben.
Berechnungsmethode
Standardisieren Sie X und minimieren Sie den logistischen Logverlust plus einen slope-only L2-Term mit gedämpfter Newton-Iteration.
p=1/(1+exp(−(b0+b1z))); objective=Σ[softplus(b0+b1z)−y(b0+b1z)]+λb1²/2
Rechenbeispiel
Die symmetrischen Standarddaten haben komplementäre Ergebnisse bei X und −X. Bei der Abfrage X=0 beträgt die eingebaute Wahrscheinlichkeit 0,5, einschließlich der eingegebenen λ=1 Strafe.
Annahmen und Hinweise zu den Eingaben
4–500 vollständige Beobachtungen, eine unterschiedliche numerische X-Klasse und beide Ergebnisklassen. X-Skala beträgt höchstens 1e9. λ muss 0,001–1000 sein; der Abfang ist unpenalisiert. Standardisierung verwendet Population RMS über den beobachteten Mittelwert und die Strafe gilt in dieser Basis. Es werden keine Tests mit maximaler Wahrscheinlichkeit, Kalibrierungsvalidierung, kausale Interpretation oder Klassifikationsschwelle geliefert. Ergebnisse hängen von λ und der Probe ab.
Quellen: Google ML: logistischer Logverlust und Regularisierung
Hinweise zum Rechner
Kann ich eigene Werte eingeben?
Ja. Ersetzen Sie die Beispielwerte durch Ihre eigenen Eingaben. Ergebnis, Rechenschritte, Tabellen und gegebenenfalls Diagramme werden entsprechend aktualisiert. Bei leeren oder ungültigen Eingaben wird das Ergebnis gelöscht. Fehlende Angaben werden niemals unbemerkt durch Beispielwerte ersetzt.
Sind die Ergebnisse exakt?
Die Ergebnisse beruhen auf Gleitkommaarithmetik und werden für die Anzeige gerundet. Beachten Sie die Formel, die Annahmen und die gegebenenfalls angegebene Datengenauigkeit.
Werden meine Eingaben hochgeladen?
Die Berechnung erfolgt in Ihrem Browser. Ein Benutzerkonto, Datei-Uploads oder ein externer KI-Dienst sind nicht erforderlich. Beim Neuladen der Seite werden die Eingaben zurückgesetzt.
Passen Sie einen Abfang und zwei bis fünf numerische Prädiktoren, überprüfen Sie original-Einheit Koeffizienten und bewerten Sie eine Predictor-Abfrage.
Erstellen Sie eine gebundene Punktzahl ROC Sweep und berechnen Sie trapezförmige AUC plus nicht interpolierte durchschnittliche Präzision aus markierten numerischen Scores.
Berechnen Sie Präzision, Rückruf, Spezifität, F1, Genauigkeit, ausgewogene Genauigkeit und MCC aus einer erklärten Positiv-Klasse Zähltabelle.
Reservierter Werbeplatz.