Калькулятор логистической регрессии

Строит бинарную логистическую регрессию градиентным спуском и прогнозирует вероятности классов

Примеры результатов

1 Примеры

Обучить бинарный классификатор

Обучает логистическую регрессию по числовым предикторам и цели 0/1

{
  "result": {
    "accuracy": 1,
    "predictedClass": 1
  }
}
Показать параметры ввода
{ "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 }

Ключевые факты

Категория
Математика, даты и финансы
Типы входных данных
textarea, checkbox, text, number
Тип результата
json
Покрытие примерами
4
API доступен
Yes

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.

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.

Примеры

1. Анализ вероятности покупки

Маркетолог
Контекст
Имеется список пользователей с данными о времени на сайте и количестве просмотренных страниц, а также отметка о совершении покупки.
Проблема
Нужно определить, совершит ли покупку новый пользователь, который провел на сайте 2.5 минуты и открыл 2.5 страницы.
Как использовать
Вставьте данные о прошлых сессиях в поле CSV, установите скорость обучения 0.2 и введите '2.5, 2.5' в поле значений прогноза.
Пример конфигурации
learningRate: 0.2, iterations: 3000, threshold: 0.5
Результат
Модель рассчитывает точность 100% на обучающей выборке и прогнозирует, что данный пользователь совершит покупку (класс 1).

2. Классификация результатов тестирования

Аналитик данных
Контекст
Данные содержат результаты двух тестов (x1, x2) и итоговый результат аттестации (y: 0 или 1).
Проблема
Необходимо быстро построить модель классификации для оценки влияния баллов на итоговый результат.
Как использовать
Загрузите CSV с заголовками, выберите опцию 'Есть строка заголовка' и запустите расчет с 2000 итерациями.
Пример конфигурации
hasHeaderRow: true, iterations: 2000, decimalPlaces: 4
Результат
Получен JSON-отчет с коэффициентами модели и показателем точности классификации текущей выборки.

Проверить на примерах

csv, hash
Примеры Дублирующихся Строк
Примеры файлов с различными типами дублирующихся строк для тестирования инструментов удаления дубликатов
preferred input family csv
csv
Примеры Замены Regex
Коллекция общих и полезных шаблонов замены regex для преобразования текста и очистки данных
preferred input family csv
csv
Обработка Строк Windows - Примеры C#
Полные примеры обработки строк на C# для платформы Windows, включая манипуляцию, разделение, объединение, регулярные выражения и анализ текста
preferred input family csv
csv
CSV Примеры
Примеры CSV-файлов с различными типами данных, размерами и уровнями сложности
preferred input family csv
csv

Связанные хабы

Инструменты экспорта CSV и конвертации таблиц
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
Соберите в одном хабе инструменты для очистки CSV, фильтрации, сортировки, группировки, объединения, разделения и перестройки таблиц для табличных и import/export сценариев.

FAQ

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.

Документация API

Конечная точка запроса

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

Параметры запроса

Имя параметра Тип Обязательно Описание
csvData textarea Нет -
hasHeaderRow checkbox Нет -
predictionValues text Нет -
learningRate number Нет -
iterations number Нет -
threshold number Нет -
decimalPlaces number Нет -

Формат ответа

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

Документация MCP

Добавьте этот инструмент к конфигурации сервера MCP: 

{
  "mcpServers": {
    "elysiatools-logistic-regression-calculator": {
      "name": "logistic-regression-calculator",
      "description": "Строит бинарную логистическую регрессию градиентным спуском и прогнозирует вероятности классов",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=logistic-regression-calculator",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Вы можете объединять несколько инструментов, например: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, максимум 20 инструментов.

Если вы столкнулись с проблемами, пожалуйста, свяжитесь с нами по адресу [email protected]