선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문은 각각의 특징 값에 적응 가중치를 할당하는 값어치 가중 로지스틱 회귀 (value weighted logistic regression -- VWLR) 모델을 제안했다. 최적의 파라미터를 얻기 위해 기울기 상승 방법을 이용했다.
- 본 논문은 로지스틱 회귀의 세분화된 가중치 방법인 속성값 기반 로지스틱 회귀 (value weighted logistic regression : VWLR) 모델을 제안한다. 이 논문에서는 각 속성의 값에 각각 다른 가중치를 부여하는 로지스틱 회귀 방법의 새로운 패러다임을 제공한다.
가설 설정
- 파라미터 수의 증가는 VWLR이 각 값들을 효과적으로 대표할 수 있도록 한다. 반면 큰 가중치를 가질 가능성도 증가한다. 이러한 이유 때문에 특히 데이터가 아주 다차원이고 훈련 데이터가 드문 경우에 VWLR에서 훈련 데이터의 오버 피팅 문제가 종종 발생할 수 있다.
- 또한 입력변수들의 관측값들의 조합에 기반하여 출력변수의 기대값이 보여지는 선형 회귀와 달리 이진 로지스틱 회귀는 주어진 관측값들에 따른 출력 클래스의 사후 확률 (즉, true'의 확률)을 모델링한다. 이와 같이 로지스틱 회귀는 입력과 출력 사이의 관계가 입력의 선형 조합을 이용하는 로지스틱 방정식의 형태로 추정 된다고 가정한다. 이때 입력의 각 속성은 각자의 가중치와 결합된다.
- 이러한 지역 로지스틱 회귀 모델은 주로 K 최근접 방법 (K-nearest-neighbor)을 사용하는데 이는 오직 이웃한 데이터 포인트만을 선택하고 나머지를 무시한다. 지역적 가중 로지스틱 회귀법은 각 인스턴스에 가중치를 부여하는 것을 제외하고 글로벌 로지스틱 회귀와 매우 유사하다. 특정 도메인에 거리에 대한 다양한 지표들이 제안될 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.