Начало работы с логистической регрессией
- Модель скрытой логистической регрессии с графическими данными(arXiv)
Автор:Haixiang Zhang, Yingjun Deng, Alan J. X. Guo, Qing-Hu Hou, Ou Wu
Аннотация. В последнее время графические (сетевые) данные стали новой областью исследований в области искусственного интеллекта, машинного обучения и статистики. В этой работе нас интересует, влияют ли на метки узлов (отклики людей) особенности их соседей (характеристики друзей). Мы предлагаем новую модель скрытой логистической регрессии для описания сетевой зависимости с помощью бинарных ответов. Ключевое преимущество предложенной нами модели заключается в том, что вводится скрытый бинарный индикатор, указывающий, подвержен ли узел влиянию своего соседа. Предлагается балльный тест для диагностики наличия сетевой зависимости. Кроме того, алгоритм типа EM используется для оценки параметров модели при сетевой зависимости. Для оценки эффективности нашего метода проводятся обширные симуляции. Два общедоступных набора данных используются для иллюстрации эффективности предложенной модели скрытой логистической регрессии.
2. Планирование безопасного пути для препятствий полиномиальной формы с помощью барьерных функций управления и логистической регрессии(arXiv)
Автор:Чэнъян Пэн, Октавиан Донка, Айонга Херейд
Вывод:Планирование безопасного пути имеет решающее значение для двуногих роботов при работе в критически важных для безопасности средах. Общие алгоритмы планирования пути, такие как RRT или RRT*, обычно используют алгоритмы проверки геометрических или кинематических столкновений, чтобы гарантировать пути без столкновений к целевой позиции. Однако такие подходы могут генерировать негладкие пути, которые не соответствуют динамическим ограничениям шагающих роботов. Было показано, что функция управления барьером (CBF) может быть интегрирована с RRT/RRT* для синтеза динамически возможных путей без столкновений. Тем не менее, существующая работа была ограничена простыми препятствиями круглой или эллиптической формы из-за сложного характера построения соответствующих барьерных функций для представления препятствий неправильной формы. В этой статье мы представляем алгоритм RRT* на основе CBF для двуногих роботов, чтобы создать путь без столкновений через сложное пространство с препятствиями полиномиальной формы. В частности, мы использовали логистическую регрессию для построения полиномиальных барьерных функций из сетки карты окружающей среды для представления препятствий произвольной формы. Кроме того, мы разработали многоступенчатый контроллер управления CBF, чтобы обеспечить эффективность исследования свободного космоса. Предложенный подход был сначала проверен при моделировании модели дифференциального привода, а затем экспериментально оценен с помощью 3D-гуманоидного робота Digit в лабораторных условиях со случайно расположенными препятствиями.
3.Оценки усадки типа Лю для комбинации логистических регрессий: исследование остеопороза(arXiv)
Автор:Эльсайед Ганем, Армин Хатефи, Хамид Усефи
Вывод:модель логистической регрессии — один из самых мощных статистических методов анализа двоичных данных. Логистическая регрессия позволяет использовать набор ковариат для объяснения бинарных ответов. Смесь моделей логистической регрессии используется для подбора разнородных групп населения с помощью подхода к обучению без учителя. Проблема мультиколлинеарности - одна из наиболее распространенных проблем в логистике и смесь логистических регрессий, где ковариаты сильно коррелированы. Эта проблема приводит к ненадежным оценкам максимального правдоподобия для коэффициентов регрессии. В этом исследовании были разработаны методы сжатия для решения проблемы мультиколлинеарности в сочетании моделей логистической регрессии. Эти методы усадки включают оценки гребня и типа Лю. Путем обширных численных исследований показано, что разработанные методы дают более надежные результаты при оценке коэффициентов смеси. Наконец, мы применили методы усадки для анализа состояния костной ткани у женщин в возрасте 50 лет и старше.
