Logistische-Regression-Rechner

Passt binaere logistische Regression per Gradientenabstieg an und prognostiziert Klassenwahrscheinlichkeiten

Beispielergebnisse

1 Beispiele

Binaeren Klassifikator anpassen

Trainiert logistische Regression mit numerischen Praediktoren und 0/1-Ziel

{
  "result": {
    "accuracy": 1,
    "predictedClass": 1
  }
}
Eingabeparameter anzeigen
{ "csvData": "x1,x2,y\n0,1,0\n1,1,0\n1,2,0\n2,2,1\n3,2,1\n3,3,1\n4,3,1", "hasHeaderRow": true, "predictionValues": "2.5, 2.5", "learningRate": 0.2, "iterations": 3000, "threshold": 0.5, "decimalPlaces": 4 }

Wichtige Fakten

Kategorie
Mathe, Datum & Finanzen
Eingabetypen
textarea, checkbox, text, number
Ausgabetyp
json
Sample-Abdeckung
4
API verfügbar
Yes

Überblick

Der Logistische-Regression-Rechner ermöglicht die Anpassung binärer Klassifikationsmodelle mittels Gradientenabstieg direkt im Browser. Durch die Eingabe von CSV-Daten mit Prädiktoren und einer Zielvariablen berechnet das Tool präzise Wahrscheinlichkeiten und prognostiziert Klassen basierend auf individuellen Schwellenwerten.

Wann verwenden

  • •Wenn Sie die Wahrscheinlichkeit eines binären Ereignisses basierend auf numerischen Einflussfaktoren berechnen möchten.
  • •Zur schnellen Validierung von Klassifikationsmodellen ohne Installation komplexer Statistik-Software.
  • •Wenn Sie Vorhersagen für neue Datenpunkte auf Basis eines vorhandenen Trainingsdatensatzes treffen müssen.

So funktioniert es

  • •Geben Sie Ihre Trainingsdaten im CSV-Format ein, wobei die Prädiktoren in den ersten Spalten und die Zielvariable (0 oder 1) in der letzten Spalte stehen.
  • •Konfigurieren Sie die Modellparameter wie Lernrate und Iterationen für den Gradientenabstieg sowie den Schwellenwert für die Klassifizierung.
  • •Fügen Sie optional neue Prädiktorwerte hinzu, für die eine spezifische Klassenprognose erstellt werden soll.
  • •Starten Sie die Berechnung, um die Modellgenauigkeit und die prognostizierte Klasse im JSON-Format zu erhalten.

Anwendungsfälle

Vorhersage der Kaufwahrscheinlichkeit von Kunden basierend auf demografischen Daten und Klickverhalten.
Medizinische Risikoanalyse zur Einstufung von Patienten in Risikogruppen anhand klinischer Parameter.
Qualitätskontrolle in der Fertigung zur Identifizierung von Ausschussware durch Sensormesswerte.

Beispiele

1. Kaufwahrscheinlichkeit im E-Commerce

Marketing-Analyst
Hintergrund
Ein Analyst möchte basierend auf Alter und Website-Besuchen vorhersagen, ob ein Kunde ein Abonnement abschließt.
Problem
Manuelle Klassifizierung von Leads ist ineffizient und ungenau.
Verwendung
CSV-Daten mit Spalten für Alter, Besuche und Kaufstatus (0/1) einfügen und Prognosewerte für neue Leads eingeben.
Beispielkonfiguration
Lernrate: 0.2, Iterationen: 3000, Schwellenwert: 0.5
Ergebnis
Das Tool liefert die Modellgenauigkeit und prognostiziert für einen 25-jährigen Besucher mit 10 Klicks die Wahrscheinlichkeit eines Kaufs.

2. Fehlererkennung in der Produktion

Qualitätsingenieur
Hintergrund
In einer Produktionslinie sollen Sensordaten (Temperatur, Druck) genutzt werden, um defekte Bauteile zu erkennen.
Problem
Frühzeitige Erkennung von Fehlern zur Reduzierung von Ausschuss.
Verwendung
Historische Sensordaten als CSV hochladen, wobei die letzte Spalte den Defektstatus markiert.
Beispielkonfiguration
Lernrate: 0.05, Iterationen: 5000, Schwellenwert: 0.6
Ergebnis
Erhalt eines Klassifikators, der neue Sensormesswerte automatisch als 'funktionsfähig' oder 'defekt' einstuft.

Mit Samples testen

csv, hash
Beispiele für Doppelte Zeilen
Beispieldateien mit verschiedenen Arten doppelter Zeilen zum Testen von Tools zum Entfernen von Duplikaten
preferred input family csv
csv
Regex-Ersetzungsbeispiele
Sammlung häufiger und nützlicher Regex-Ersetzungsmuster für Texttransformation und Datenbereinigung
preferred input family csv
csv
Windows Zeichenkettenverarbeitung - C# Beispiele
Umfassende C# Zeichenkettenverarbeitungsbeispiele für Windows-Plattform einschließlich Manipulation, Aufteilung, Verknüpfung, reguläre Ausdrücke und Textanalyse
preferred input family csv
csv
CSV Beispiele
CSV-Beispieldateien mit verschiedenen Datentypen, Größen und Komplexitätsstufen
preferred input family csv
csv

Verwandte Hubs

Tools fur CSV-Export und Tabellenkonvertierung
Vergleiche CSV-Umwandlungen zu und von Excel, JSON, HTML, Markdown, XML und Text in einem Hub fur tabellarische Austausch-Workflows.
Werkzeuge fur CSV-Bereinigung und Tabellenumformung
Bunde CSV-Bereinigung, Filtern, Sortieren, Gruppieren, Zusammenfuhren, Aufteilen und Tabellenumformung in einem Hub fur Tabellen- sowie Import/Export-Workflows.

FAQ

Welche Datenformate werden unterstützt?

Das Tool verarbeitet CSV-formatierte Textdaten, bei denen die Zielvariable in der letzten Spalte steht.

Was bewirkt die Lernrate?

Die Lernrate steuert die Schrittweite beim Gradientenabstieg; ein optimaler Wert sichert die Konvergenz des Modells.

Muss die Zielvariable binär sein?

Ja, für die logistische Regression muss die Zielvariable zwingend aus den Werten 0 oder 1 bestehen.

Wie wird die Genauigkeit berechnet?

Die Accuracy gibt den Anteil der korrekt klassifizierten Datensätze im Vergleich zum gesamten Trainingsset an.

Kann ich den Schwellenwert anpassen?

Ja, der Standardwert liegt bei 0,5, kann aber angepasst werden, um die Sensitivität der Klassifizierung zu steuern.

API-Dokumentation

Request-Endpunkt

POST /de/api/tools/logistic-regression-calculator

Request-Parameter

Parameter-Name Typ Erforderlich Beschreibung
csvData textarea Nein -
hasHeaderRow checkbox Nein -
predictionValues text Nein -
learningRate number Nein -
iterations number Nein -
threshold number Nein -
decimalPlaces number Nein -

Antwortformat

{
  "key": {...},
  "metadata": {
    "key": "value"
  },
  "error": "Error message (optional)",
  "message": "Notification message (optional)"
}
JSON-Daten: JSON-Daten

MCP-Dokumentation

Fügen Sie dieses Tool zu Ihrer MCP-Server-Konfiguration hinzu: 

{
  "mcpServers": {
    "elysiatools-logistic-regression-calculator": {
      "name": "logistic-regression-calculator",
      "description": "Passt binaere logistische Regression per Gradientenabstieg an und prognostiziert Klassenwahrscheinlichkeiten",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=logistic-regression-calculator",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Sie können mehrere Tools verketten, z.B.: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, maximal 20 Tools.

Wenn Sie auf Probleme stoßen, kontaktieren Sie uns bitte bei [email protected]