راه
۷ کیو· سادهمبتدیPYTHON۴ ثانیه · ۲۵۶ مگابایت

درست‌نمایی منفی (آنتروپی متقاطع)

تابع neg_log_likelihood(X, y, beta) منفیِ لگاریتم درست‌نمایی مدل لجستیک را برای داده‌ی (X,y)(X, y) و ضرایب beta = [b0, b1, ..., bp] برمی‌گرداند — همان تابع زیانی که برازش لجستیک کمینه می‌کند:

−log⁡ℓ(β)=−∑i=1n[yilog⁡p(xi)+(1−yi)log⁡(1−p(xi))]-\log \ell(\beta) = -\sum_{i=1}^{n} \Big[ y_i \log p(x_i) + (1 - y_i) \log\big(1 - p(x_i)\big) \Big]

yiy_i صفر یا یک است و p(xi)p(x_i) احتمال کلاس ۱ در مدل لجستیک. خروجی یک عدد است. در آزمون‌ها هیچ p(xi)p(x_i)ای آن‌قدر به صفر یا یک نزدیک نیست که لگاریتم مشکل‌ساز شود.

نمونه‌ها

ورودی نمونه ۱
[[[0], [2]], [0, 1], [-2, 1]]
خروجی نمونه ۱
0.8201
ورودی نمونه ۲
[[[0], [0], [0], [0]], [0, 1, 1, 0], [0, 0]]
خروجی نمونه ۲
2.7726

برای نوشتن پاسخ و دریافت امتیاز، ابتدا وارد حساب شوید.

ورود