#13. Логистическая регрессия. Вероятностный взгляд на машинное обучение | Машинное обучение

[@LightningTrooper]

В очередной раз низкий поклон Вам за труды! Отлично изложен сложный материал, с приложенным к нему текстом и доп разбором сложного момента.

[@stoksful]

Эти лучшее что получилось найти, автор, молодец.

[@АтласКазуал]

Так вот он ты какой кот Шредингера) Спасибо.

[@СарматПересветов]

Чем дальше, тем материал усложняется, спасибо вам за ваш труд!

[@lifeisbeautifu1]

Большое спасибо!

[@НиколайНовиков-ъ3я]

Прекрасное видео! Спасибо Вам большое! Это потрясающе! Однако, вишенкой на торте было бы решение Вашего примера))

[@alexdubkov6998]

Отлично! Спасибо за объяснение

[@iotone7525]

Неужели хоть кто-то додумался объяснить на примере, а не просто сыпать абстрактно непонятными математическими терминами и кракозябрами.

[@Fjfdjnffnn]

Не понимаю. Если у нас по исходной выборке вероятность 0.5, то зачем решать задачу максификации вероятности? Ее нужно не максифицировать, а устремить к 0.5, иначе она данные не опишет.

[@lime9603]

Спасибо!!!

[@hopelesssuprem1867]

Сергей, спасибо за видео, но есть вопрос: не совсем понятно как именно мы получаем веса для линейной ф-ции, было бы хорошо, если бы вы продемонстрировали их нахождение вручную

[@selfedu_rus]

Я в этом видео показываю связь логистической регрессии с вероятностью - это главная тема. Веса модели находить следует также, как мы это делали на предыдущих занятиях, например, с помощью SGD по обучающей выборке.

[@hopelesssuprem1867]

@@selfedu_rus понял, спасибо)

[@YbisZX]

@@selfedu_rus Т.е. при логистической регрессии модель обучается точно также как и при бинарной классификации, разница только в том, какой ответ мы из нее берем: не однозначно класс y=sign(w.T*x), а вероятность класса P(+1|x)=1/(1+e^(-w.T*x*1))? И еще не освещался вопрос как обучать модель при М-классификации. Учить M бинарных моделей про принципу класс/не_класс, затем прогонять каждый класс по своей модели и сравнивать w_y.T*x?

[@selfedu_rus]

@@YbisZX Да, по первой части все верно сказали. Насчет многоклассовой классификации есть видео на эту тему: kzbin.info/www/bejne/lYXbeWCYpMmYgc0

[@YbisZX]

@@selfedu_rus Спасибо! Проглядел в списке.

[@iotone7525]

x = [10000,1,1,2]T. Что означают квадратные скобки? Это типа как массив? Что такое T?

[@selfedu_rus]

см. курс по Numpy

[@gvinopal]

даже если мы расчитываем не метку классса, а его вероятность , в конечном счете, обученная модель это детерменестическая функция которая получает (10.000,1,1,2) и выдает результат(3/6). в зависимости от нашего, порога мы получим значение класса -1,1,или неопределено. мне непонятно влияние вероятностной модели для данной конкретной строки данных,ведь я всегда буду получать один и тот же результат

[@selfedu_rus]

здесь вероятность следует воспринимать, как степень уверенности классификатора в своем выборе

[@gvinopal]

@@selfedu_rus Это понятно, не понятно как интерпретировать результат для этой конкретной строки данных

[@selfedu_rus]

имеем 0,5, т.е. на грани - здесь уже сам разработчик решает, что делать (на практике точное значение 0,5 практически не бывает), но как вариант, можно еще одно значение выдавать, например, 0 - отказ в классификации

[@dimachist]

Спасибо!