(Để tham khảo, tôi đang sử dụng cuốn sách "Học máy: Quan điểm xác suất" của Kevin P Murphy và thực hiện với MATLAN - không có bất kỳ hộp công cụ nào)
Tôi có một bộ dữ liệu với 392 mẫu (hàng), mỗi mẫu có 8 tính năng (cột), một trong số đó xác định lớp (tức là cột 1 của các tính năng được chia thành ba thùng bằng nhau xác định ba lớp - thấp, trung bình và cao ).
Tôi đang có một thời gian thực sự khó khăn để hiểu làm thế nào để tạo ra một mô hình hồi quy logistic để phân loại một mẫu thành một trong ba lớp này.
Tôi vừa học xong và thực hiện mô hình hồi quy tuyến tính, nơi tôi đã tìm hiểu về cả giải pháp Bình phương tối thiểu (dạng đóng) cho vectơ trọng lượng và giải pháp Gradient Descent (Open Form). Nhưng tôi không bao giờ thực hiện giảm độ dốc vì dữ liệu của tôi được trang bị hoàn toàn tốt với giải pháp OLS cho vectơ trọng lượng.
Tôi vô cùng bối rối làm thế nào để tạo một vectơ trọng số cho hồi quy Logistic, tôi hiểu rằng nó yêu cầu sử dụng Gradient Descent vì không có giải pháp dạng đóng. Tôi cũng đã đọc về phương pháp Newton để tính trọng số nhưng tôi hoàn toàn không hiểu nó.
Và sau khi bạn sử dụng các phương pháp này để tính trọng số, làm thế nào để bạn áp dụng các trọng số cho dữ liệu mẫu? Trong hồi quy tuyến tính, đơn giản là vì bạn chỉ đơn giản nhân các trọng số bằng các tính năng (và các tính năng bậc cao hơn cho hồi quy tuyến tính bậc cao), nhưng nó có giống nhau trong hồi quy logistic không?
Hơn nữa, sự hiểu biết của tôi cho đến nay là mô hình này chỉ hoạt động để phân loại nhị phân, vậy tôi sẽ làm thế nào cho ba lớp?
Về cơ bản câu hỏi của tôi sôi nổi về điều này:
Làm thế nào chính xác bạn tìm thấy vectơ trọng số cho hồi quy logistic (sử dụng phương pháp giảm độ dốc hoặc phương pháp newtons, cách nào dễ hơn) và làm thế nào để bạn áp dụng vectơ trọng lượng cho mẫu để phân loại ra khỏi nó cho 3 lớp (không chỉ hai) .