Robusta binārā klasifikācija ar loģistisko regresiju

Abstract

Darbs veltīts loģistiskās regresijas izpētei, kas ir viena no populārākajām metodēm, risinot klasifikācijas uzdevumus. Kļūdas atkarīgajā mainīgajā var būtiski ietekmēt klasificēšanas veiktspēju. Darbā uzsvars likts uz robustu loģistiskās regresijas paplašinājumu, kas ir balstīts uz kļūdaino klašu ietveršanu modeļa apmācībā, lai modelis nezaudētu savu klasifikācijas veiktspēju. Modeļa apmācība noris līdzīgi kā loģistiskajā regresijā. Darbā aplūkota gan loģistiskā regresija, gan robustā loģistiskā regresija ar nobīdes parametriem. Abas metodes pielietotas praktiski programmā R Studio uz reāliem datiem. Darba mērķis ir pārbaudīt, kā abas metodes darbojās un salīdzināt sniegtos rezultātus.

This work is devoted to the study of logistic regression, which is one of the most popular methods for solving classification tasks. In classification mislabeled data can have a significant impact on the classification performance. The emphasis in the work is on a robust logistic regression expansion based on including mislabeled data into the model training, to improve classification performance. Model training is similar to logistic regression. The paper discusses both logistic regression and robust logistic regression with shift parameters. Both methods are used in practice in program R Studio for real data. The aim of the work is to test performance of both methods and to compare results.