Calculadora de regresión logística binaria
Desglose binario frente a un predictor numérico mediante un castigo L 2 de estándar explícito y evaluar una probabilidad de consulta.
SU CÁLCULO
Resultado
—
Pasos del cálculo
Trabaje a través de un paso a la vez o revele el cálculo completo. Los pasos utilizan sus entradas actuales.
Cómo calcular
Normalizar X y minimizar la pérdida de log logístico sumada más un término lope- sólo L 2 con la dilatación de Newton iteración.
p=1/(1+exp(−(b0+b1z))); objective=Σ[softplus(b0+b1z)−y(b0+b1z)]+λb1²/2
Ejemplo resuelto
Los datos simétricos por defecto tienen resultados complementarios a X y − X. En consulta X=0, la probabilidad es 0.5, incluida la pena de λ=1.
Suposiciones y detalles de entrada
4 - 500 observaciones completas, un X numérico variable, y ambas clases de resultados. La magnitud de X es de al menos 1e9. λ debe ser 0.001-1000; la interceptación está no penalizada. La normalización utiliza los MRS de la población sobre la media observada y la pena se aplica en esa base. No se suministran pruebas de coeficiente de máxima probabilidad, validación de calibración, interpretación causal o umbral de clasificación. Los resultados dependen de λ y de la muestra.
Referencias: Google ML: pérdida logística de log y regularización
Usando esta calculadora
¿Puedo entrar en mi propio problema?
Sí. Sustitúyase los valores de ejemplo por sus propias entradas. El resultado, los pasos de cálculo, los cuadros y los diagramas aplicables se actualizan a partir de esos insumos. Los valores blanks o inválidos despejan el resultado; los valores de ejemplo nunca se sustituyen silenciosamente por los insumos que faltan.
¿Los resultados son exactos?
Los resultados utilizan la aritmética de un punto flotante y se muestran redondeados. Leer la fórmula, suposiciones y cualquier precisión de los datos antes de interpretar el resultado.
¿Mi entrada está cargada?
El cálculo se ejecuta en su navegador. No se requiere cuenta, carga de archivos o servicio AI externo. Las entradas no se guardan entre recargas de página.
Apunte un intercepto y dos a cinco predictores numéricos, inspeccione los coeficientes de la unidad original y evalúe una consulta de predictor.
Construir un barrido ROC de puntaje y calcular el AUC trapezoidal más precisión media no interpolada a partir de puntuaciones numéricas etiquetadas.
Calcular precisión, recuerdo, especificidad, F 1, precisión, precisión equilibrada y MCC a partir de una tabla de conteo de la clase positiva declarada.
Espacio reservado para publicidad.