ロジスティック回帰モデルを実装する(勾配法による学習の実装)【最尤法とGLM # おまけ】

学習

#統計の森 #統計学 #最尤法 #glm #勾配法
どうもこんにちは、統計の森ちゃんねるのときです。
このチャンネルでは、シリーズ「問題演習で理解する統計学: 最尤法と一般化線形モデル」にて確率モデルの基礎から、尤度の意味、最尤法(勾配法)、一般化線型モデルのパラメータ推定について解説してきました。

「 最尤法と一般化線形モデル」再生リスト: https://www.youtube.com/playlist?list=PL43evawK_NGSsD6SRozDRBTJjzLgDULv9

今回は、このシリーズで確認したロジスティック回帰モデルと最尤法(勾配法)によるパラメータ推定(学習)をPythonで実装します。
実装して、実際に動きを確認すると、理解が深まると思います。

ここで利用しているnotebookは以下のURLからダウンロードできます。特別なライブラリは利用していませんので、Google colabなどでも利用できると思います。

本シリーズで扱っている問題解説については、以下のページを参照してください。
最尤法とGLM(Generalized Linear Model)|問題演習で理解する統計学【7】
https://www.hello-statisticians.com/practice/stat_practice7.html

データや設計がことなる3つの問題を解いています。以下のチャプターも参考にしてください。
00:00 問題設定1:問題の説明
03:33 余談:ロジスティック回帰と多クラス分類のモデル
06:43 問題設定1のモデル設定
11:30 対数尤度関数の勾配と勾配法
13:24 勾配法の実装
15:08 問題設定1の学習結果の確認
16:39 問題設定2:問題の説明
20:02 問題設定2のモデル設計
21:23 問題設定2の学習結果
24:47 問題設定3:問題の説明
28:20 多変量の対数尤度関数の勾配
34:30 多変量のロジスティック回帰の学習
38:34 まとめ

以下のフリーの音楽素材をオープニングとエンディングに利用させていただいています。
– ensolarado: https://dova-s.jp/bgm/play1344.html

コメント

タイトルとURLをコピーしました