# Калькулятор логистической регрессии

Строит бинарную логистическую регрессию градиентным спуском и прогнозирует вероятности классов

> Каноническая страница: https://elysiatools.com/ru/tools/logistic-regression-calculator

- **Категория:** Math & Numbers

- **Ключевые слова:** логистическая регрессия, бинарная классификация, вероятность, градиент

## Обзор

Калькулятор логистической регрессии — это аналитический инструмент для построения моделей бинарной классификации с использованием метода градиентного спуска. Он позволяет вычислять вероятность принадлежности объекта к одному из двух классов на основе набора числовых предикторов, обеспечивая точные математические прогнозы без необходимости написания программного кода.

## Входные данные

- **CSV данные** (textarea): Predictors first, binary target last, e.g. x1,x2,y 0,1,0 1,2,0 3,2,1
- **Есть строка заголовка** (checkbox)
- **Значения прогноза (необязательно)** (text): e.g. 4, 3
- **Скорость обучения** (number)
- **Итерации** (number)
- **Порог** (number)
- **Знаков после запятой** (number)

## Когда использовать

- Когда необходимо предсказать вероятность наступления бинарного события (например, да/нет, успех/неудача) на основе числовых данных.
- Для оценки точности классификации и подбора оптимальных параметров модели, таких как скорость обучения и количество итераций.
- При работе с наборами данных в формате CSV, где требуется быстро получить коэффициенты регрессии и прогноз для новых значений.

## Как это работает

- Введите данные в формате CSV, где первые столбцы содержат независимые переменные (предикторы), а последний столбец — целевую бинарную переменную (0 или 1).
- Настройте параметры градиентного спуска: установите скорость обучения (learning rate) для контроля шага оптимизации и количество итераций для достижения сходимости.
- Укажите порог классификации (threshold), который будет использоваться для разделения вероятностей на классы 0 и 1.
- Нажмите кнопку расчета, чтобы запустить алгоритм, который вернет точность модели и предсказанный класс для ваших входных значений.

## Сценарии использования

- Прогнозирование вероятности оттока клиентов на основе их активности и истории покупок.
- Скоринг заявок на кредит для определения вероятности одобрения на основе дохода и кредитного рейтинга.
- Классификация медицинских показателей для предварительной диагностики наличия или отсутствия заболевания.

## Частые вопросы

### В каком формате должны быть входные данные?

Данные должны быть представлены в формате CSV, где значения разделены запятыми, а целевой класс (0 или 1) находится в последнем столбце.

### Что делает параметр 'Скорость обучения'?

Он определяет размер шага, который делает алгоритм на каждой итерации при поиске минимума функции потерь; слишком большое значение может привести к расходимости.

### Как интерпретировать результат точности (accuracy)?

Точность показывает долю правильных предсказаний модели на основе предоставленного набора данных, где 1.0 означает 100% верных попаданий.

### Можно ли предсказать класс для новых данных?

Да, введите значения предикторов через запятую в поле 'Значения прогноза', и калькулятор определит наиболее вероятный класс.

### Зачем нужен порог (threshold)?

Порог определяет границу вероятности: если вычисленное значение выше порога, модель присваивает класс 1, в противном случае — класс 0.

## Связанные инструменты

- [Калькулятор множественной линейной регрессии](https://elysiatools.com/ru/tools/multiple-linear-regression-calculator): Строит множественную линейную регрессию по предикторам и числовой цели
- [Калькулятор Колонок](https://elysiatools.com/ru/tools/column-calculator): Выполнять вычисления в колонках и добавлять новые строки
- [Объединитель Данных по Вертикали](https://elysiatools.com/ru/tools/data-append-merger): Вертикально добавлять и объединять несколько таблиц данных с интеллектуальным сопоставлением столбцов
- [Калькулятор Строк](https://elysiatools.com/ru/tools/row-calculator): Выполнять вычисления в каждой строке и добавлять новые столбцы
- [Масштабировщик Признаков](https://elysiatools.com/ru/tools/feature-scaler): Масштабировать и нормализовать признаки используя различные методы для предварительной обработки машинного обучения и стандартизации данных
- [Преобразователь Markdown-таблиц в CSV, JSON и схему с типами](https://elysiatools.com/ru/tools/markdown-table-to-csv-json-schema): Преобразует Markdown-таблицу с вертикальными чертами в CSV, строки JSON или JSON Schema с диагностикой типов и null
- [CSV Protobuf Конвертер](https://elysiatools.com/ru/tools/csv-to-protobuf): Конвертирует между форматами CSV и Protocol Buffers (Protobuf)
- [Перестановщик Колонок](https://elysiatools.com/ru/tools/column-reorder): Переставить колонки таблицы без изменения строк данных

## Примеры

- [CSV Примеры](https://elysiatools.com/ru/samples/csv-samples): Примеры CSV-файлов с различными типами данных, размерами и уровнями сложности
- [Примеры Python](https://elysiatools.com/ru/samples/python): Примеры кода Python и демонстрации Hello World
- [Обработка Строк Windows - Примеры C#](https://elysiatools.com/ru/samples/windows-string-processing-csharp): Полные примеры обработки строк на C# для платформы Windows, включая манипуляцию, разделение, объединение, регулярные выражения и анализ текста
- [Cypress E2E Тестовый Фреймворк](https://elysiatools.com/ru/samples/cypress-testing): Всесторонние примеры E2E тестов Cypress включая конфигурацию тестов, Page Object Models, тесты API, визуальные регрессионные тесты и продвинутые E2E паттерны для современных веб приложений

## Связанные материалы

- [Инструменты экспорта CSV и конвертации таблиц](https://elysiatools.com/ru/hubs/csv-convert): Сравните преобразования CSV в Excel, JSON, HTML, Markdown, XML и текст в одном хабе для табличных обменных сценариев.
- [Инструменты для очистки CSV и перестройки таблиц](https://elysiatools.com/ru/hubs/csv-utility): Соберите в одном хабе инструменты для очистки CSV, фильтрации, сортировки, группировки, объединения, разделения и перестройки таблиц для табличных и import/export сценариев.
- [Инструменты качества данных, дедупликации и поиска аномалий](https://elysiatools.com/ru/hubs/data-quality-anomaly-workflows): Профилируйте CSV/JSON-наборы данных, сравнивайте версии таблиц и находите дубликаты, выбросы, пропуски, разрывы связей и аномалии временных рядов в одном тематическом hub.