no-img
سایت دبیران فایل

دانلود پاورپوینت رگرسیون لجستیک Logistic Regression - سایت دبیران فایل


سایت دبیران فایل
اطلاعیه های سایت دبیران فایل

ادامه مطلب

دانلود پاورپوینت رگرسیون لجستیک Logistic Regression
zip
اردیبهشت ۵, ۱۴۰۱
۱۹,۹۰۰ تومان
۱۹,۹۰۰ تومان – خرید

دانلود پاورپوینت رگرسیون لجستیک Logistic Regression


دانلود پاورپوینت رگرسیون لجستیک Logistic Regression

توضیحات محصول عنوان پاورپوینت درسی ارایه شده توسط دبیران فایل دانلود پاورپوینت رگرسیون لجستیک Logistic Regression

فرمت: پاورپوینت ppt قابل ویرایش  

تعداد اسلاید: ۲۵

Logistic Regression

دسته بندی کننده بیزی برای محاسبه P(Y|X) لازم دارد تا مقادیر P(Y)  و P(X|Y) را یاد بگیرد.

چرا مستقیما P(Y|X) یاد گرفته نشود؟

لجستیک رگراسیون مقدار احتمال فوق را محاسبه میکند.

دسته بندی کننده بیزی یک دسته بندی مولد است در حالیکه لجستیک رگراسیون  یک دسته بندی کننده discriminative است.

مقایسه با رگراسیون خطی

برای مدل کردن متغیرهائی که مقادیر محدودی به خود میگیرند بهتر از رگراسیون خطی عمل میکند زیرا مدل خطی هر مقداری را در خروجی تولید میکند درحالی که برای چنین متغیرهائی مقادیر محدودی مورد نیاز است.
در رگراسیون خطی مقدار متغیر مورد نظر از ترکیب خطی متغیرهای مستقل بدست می آید در حالیکه در لجستیک رگراسیون از ترکیب خطی تابع logit استفاده میشود.
در رگراسیون خطی پارامترها به روش least squares بدست می آیند در حالیکه این روش برای لجستیک رگراسیون فاقد کارائی بوده و از روش maximum likelihood estimation برای پیدا کردن پارامترها استفاده میشود.

مشکلات استفاده از ML

به خاطر ماهیت concave بودن تابع l(W) رابطه فوق حتما ماکزیمم global را پیدا خواهد کرد.
استفاده از ML می تواند برای داده های جدا پذیر خطی به over fitting شدید منجر شود.
دلیل این امر این است که راه حل ML وقتی اتفاق می افتد که σ = ۰.۵ و یا wTφ =۰ شده و منجر به بزرگ شدن وزنها میشود.
این امر حتی وقتی که تعداد داده ها نسبت به تعداد پارامترها زیاد باشد روی خواهد داد.

Use Naïve Bayes or Logisitic Regression?

لاجستیک رگراسیون مستقیما مقدار P(Y|X) را محاسیه میکند
درحالیکه بیزین ساده، ابتدا مقادیر P(Y) and P(X|Y) را محاسبه میکند.
نشان داده میشود که وقتی تعداد داده های آموزشی زیاد باشد و شرایط Gaussian Naive Bayes هم برقرار باشد لاجستیک رگراسیون و Gaussian Naive Bayes در حالت حدی به دسته بندی مشابهی میرسند.
در حالیتکه شرط Gaussian Naive Bayes برقرار نباشد لاجستیک رگراسیون نتایج بهتری بوجود می آورد.
همگرایی لاجستیک رگراسیون کند تر است.
در لاجستیک رگراسیون باید تعداد نمونه ها زیاد باشد ( ۵۰ نمونه بازای هر دسته)

when conditional independence assumptions incorrect
LR is less biased – does not assume cond indep.
therefore expected to outperform GNB when both given infinite training data
Number of parameters:
NB: 4n +1
LR: n+1
convergence rate of parameter estimates – how many
training examples needed to assure good estimates?
GNB order log n (where n = # of attributes in X)
LR order n

لطفا به نکات زیر در هنگام خرید دانلود فایل پاورپوینت رگرسیون لجستیک Logistic Regression توجه فرمایید.

۱-در این مطلب، متن اسلاید های اولیه دانلود پاورپوینت رگرسیون لجستیک Logistic Regression قرار داده شده است

۲-به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید

۴-در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد

۵-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار نخواهند گرفت

منطبق با مطالب و رئوس کتاب درسی

با توجه بر اینکه این پاورپوینت به طور حرفه ای تهیه شده و مطالب کتاب را بصورت جذاب پوشش میدهد شما دبیران گرامی با خیالی آسوده به تدریس و آموزش و دانش آموزان عزیز به مطالعه بهترخواهید پرداخت.

این پاورپوینت آموزشی شامل :

دارای متن خوانا و گویا با استفاده از فونت های استاندارد

دارای طراحی زیبا و کاربر پسند

انتخاب رنگ مناسب بک گرند ومتن برای بهتر دیده و خوانده شدن متن

استفاده از مارکر ومشخص کردن کلمات ومطالب مهم موضوع

دارای عکس های مرتبط با موضوع

استفاده از تصاویر زیبا برای تاثیر بیشتر

دارای ترنسنشن های متفاوت برای هر اسلاید

طراحی محتوا متناسب با موضوع

دارای صفحه تشکر

 

قسمتی از اسلایدهای پاورپوینت:

اسلاید:۳

lبر خلاف نامش این روش برای دسته بندی مورد استفاده قرار میگیرد نه رگراسیون.

lبرای حالت K = 2 این مدل بسیار ساده بوده و از یک تابع خطی بهره می جوید.

lبردار ورودی بصورت < X1 … Xn > و بردارخروجی Y بولین در نظر گرفته میشود.

lتمام Xi ها از Y مستقل فرض شده و مقدار P(Xi | Y = yk) گوسی در نظر گرفته میشود. N(μik,σi)

lهمچنین توزیع P(Y) بصورت برنولی در نظر گرفته میشود.

معرفی برنامه پاورپوینت

برنامه پاورپوینت، مهارت ششم از مهارت های هفتگانه کامپیوتر ICDL و یکی از نرم افزارهای بسته نرم افزاری Microsoft Office محصول شرکت بزرگ مایکروسافت است.

همانطور که از اسم مجموعه نرم افزاری Microsoft Office بر می آید این مجموعه یک مجموعه اداری بوده و از همین رو، همانطور که شما میدانید پاورپوینت نیز با توجه به کاربردهای آن در محیط کار یکی از نرم افزارهای با قابلیت اداری است.

مزایای استفاده از پاورپوینت

از مزایای استفاده از پاورپوینت در تدریس می توان به موارد زیر اشاره کرد:

افزایش تجارب آموزش و یادگیری برای مدرس و یادگیرنده
تشویق و حمایت مدرسان به منظور ارایه درس به روش های حرفه ای و تخصصی
امکان تلفیق چند رسانه ای و ارایه آموزش اثر بخش
قابلیت استفاده مجدد فایل مربوطه برای همه دانشجویان و دانش آموزان
سهولت در امکان ویرایش و بازنگری مطالب آموزشی

کاربرد پاورپوینت در تدریس

 

به همین دلیل استفاده از روش های نوین تدریس و بهره گیری از امکانات جدید در انجام فعالیت های اجتماعی و آموزشی دانشجویان و دانش آموزان یکی از اولویت ها بخش آموزش و تدریس است.

قابل توجه کسانی که این مجموعه را خریداری و دانلود کرده اند:

راهنمای خرید سوالات ضمن خدمت : برای خرید انلاین سوالات ضمن خدمت ابتدا بر روی لینک خرید بالا (دکمه سبز رنگ) کلیک نمائید . تا وارد صفحه خرید آنلاین شوید .درصفحه خرید آنلاین نام و نام خانوادگی ، شماره موبایل و ایمیل خود را وارد کنید .و بر روی خرید کلیک نمائید.

همچنین برای دریافت آپدیت نمونه سوالات ضمن خدمت،اخبار ضمن خدمت و … عضو کانال شوید:

کانال تلگرام ضمن خدمت فرهنگیان:  https://t.me/dabirfile

کانال سروش:

 http://Sapp.ir/dabiranfile

کانال ایتا:

http://eitaa.com/dabirfile

حتما برای دریافت سوالات جدید عضو کانال ما شوید (لیست کانال ها در پاراگراف بالا)



موضوعات :

دیدگاه ها


دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این سایت از اکیسمت برای کاهش هرزنامه استفاده می کند. بیاموزید که چگونه اطلاعات دیدگاه های شما پردازش می‌شوند.

error: قادر به کپی نمی باشید!!