Logistic回归模型分析

对Logistic回归模型做了比较详细的分析.通过阐述回归分析与概率假定的关系,并把回归模型纳入广义线性模型框架进行推导和分析,便于全面了解回归模型及其理论依据和构造方法,以利于对回归模型的合理应用.     

基于Logistic模型的电信业务潜在用户预测研究

随着电信领域市场竞争的不断加剧,三大运营商都在建立"以客户为中心"的经营管理模式,迫切需要挖掘潜在用户并进行针对性的精确营销,提高营销活动的命中率,提高自身竞争力。本文以CRISP-DM的过程模型为指导,从商业理解、数据理解、数据准备、建立模型、模型评估、模型发布六个步骤,建立基于Logistic模型的潜在用户预测模型,找出影响用户使用某业务的一些规律性特征变量,之后对其他用户进行概率预测,识别目标用户。     

使用Logistic回归模型进行中文文本分类

使用Logistic回归模型进行中文文本分类,通过实验,比较和分析了不同的中文文本特征、不同的特征数目、不同文档集合的情况下,基于Logistic回归模型的分类器的性能。并将其与线性SVM文本分类器进行了比较,结果显示它的分类性能与线性SVM方法相当,表明这种方法应用于文本分类的有效性。     

基于贝叶斯Logistic回归的软件缺陷预测研究

在软件开发初期及时识别出软件存在的缺陷,可以帮助项目管理团队及时优化开发测试资源分配,以便对可能含有缺陷的软件进行严格的质量保证活动,这对于软件的高质量交付有着重要的作用,因此,软件缺陷预测成为软件工程领域内一个研究热点。虽然人们已经使用多种机器学习算法建立了缺陷预测模型,但还没有对这些模型的贝叶斯方法进行研究。提出了无信息先验和信息先验的贝叶斯Logistic回归方法来建立缺陷预测模型,并对贝叶斯Logistic回归的优势以及先验信息在贝叶斯Logistic回归中的作用进行了研究。最后,在PROMISE数据集上与其他已有缺陷预测方法（LR、NB、RF、SVM）进行了比较研究,结果表明：贝叶斯Logistic回归方法可以取得很好的预测性能。     

基于Logistic回归模型的藏文文本分类研究与实现

文本分类是信息处理领域的核心研究内容,在自动检索和文本过滤等研究领域中被广泛使用。本次研究主要是基于Logistic回归模型分类器对藏文文本进行分类,其核心思想是首先对藏文语料进行收集和预处理,且利用信息增益算法和欧式距离分别对文本特征进行选择与提取;其次构造Logistic回归模型分类器;最后测试和分析分类的准确率、召回率和F1值,同时,对Logistic算法和Gaussian NB算法进行分类性能对比,结果显示Logistic算法具有较好的分类效果。     

基于粒子群算法的Logistic回归模型参数估计

针对Logistic回归模型中的参数估计计算复杂难题,提出一种基于粒子群优化算法（PSO）的估计方法。以最大似然准则作为粒子群优化算法的适应度函数,建立了Logistic回归模型中的参数估算模型。数值仿真分析表明,粒子群优化算法可以更精确地计算出相关参数。     

基于Logistic回归模型的Hadoop本地任务调度优化算法*

当一个工作节点有多个本地任务可执行时,默认情况下,调度器都是按照任务被发现的先后顺序来进行执行,效率低下。针对于此,为了优化对本地任务的调度,提出了基于Logistic回归模型的Hadoop本地任务调度优化算法。首先,选取定义与任务相关的特征向量,然后基于Logistic回归的机器学习方式得到各向量的作用权值,将任务进行优先级排序,并通过过载规则不断更新模型。通过实验证明,提出的算法在改善map 任务的数据本地性的同时,降低了作业运行时间。     

高斯极大似然估计的新冠疫情周期性预测分析

新型冠状肺炎病毒自2019年末被发现以来,就已经被视为一场全面的大流行,并在全世界蔓延。许多研究正在使用独特的模型来预测与分析这种疾病在未来的趋势和可能的进展。通过评估极大似然估计求解高斯拟合参数,并利用高斯—牛顿迭代法优化求解参数的高斯模型来预测上海每日新增新冠肺炎病例与疫情病例周期的转折点。实验证明,算法的拟优度R2达到0.9286,表明该算法在新冠疫情病例数据分析与预测领域的有效性、可靠性和优越性。     

基于SEIR-ARIMA混合模型的新冠肺炎预测

新型冠状病毒肺炎简称新冠肺炎,是一种由新型冠状病毒引起的急性感染性肺炎,具有传染性强、人群普遍易感的特点。因此,对新冠肺炎感染人数的预测,不仅仅有利于国家面对疫情做出科学决策,而且有利于及时整合防疫资源。本文提出一种基于传统的传染病动力模型SEIR和差分整合移动平均自回归模型ARIMA构建的SEIR-ARIMA混合模型,对不同时间段、不同地点的新冠肺炎疫情做出预测和分析。从实验结果上看,基于SEIR-ARIMA混合模型的预测,比常见的用于新冠肺炎预测的逻辑回归Logistic、长短期记忆人工神经网络LSTM、SEIR模型、ARIMA模型有较好的预测效果。为了真实地反映出实验效果的提高是否源于SEIR与ARIMA模型结合的优势,本文还实现SEIR-Logistic混合模型和SEIR-LSTM混合模型,并与SEIR-ARIMA对比分析得出,SEIR-ARIMA预测都取得更好的预测效果。因此,基于SEIR-ARIMA混合模型对新冠肺炎的发展趋势的分析相对可靠,有利于国家面对疫情的科学决策,对我国未来预防其他类型的传染病具有很好的应用价值。     

基于惩罚逻辑回归的乳腺癌预测

本文采用惩罚逻辑回归方法,利用威斯康星大学的乳腺癌数据对乳腺肿瘤进行预测。首先选取与乳腺癌相关的10个指标作为自变量,接着采用逻辑回归、LASSO惩罚逻辑回归、L2惩罚逻辑回归和弹性网惩罚逻辑回归作为分类器,利用75%的数据集作为训练集建立模型,最后利用25%的测试集、混淆矩阵和ROC曲线评估不同模型的预测精度。结果表明,LASSO惩罚逻辑回归的预测表现最好,预测精度达到97.18%;弹性网惩罚逻辑回归的预测表现随着α的增大发生变化,特别当α=0.9时,预测精度达到97.18%,与LASSO惩罚逻辑回归的预测表现一样好;L2惩罚逻辑回归的预测表现排第3,逻辑回归表现最差。因此,在乳腺肿瘤诊断中可借助LASSO惩罚逻辑回归和弹性网惩罚逻辑回归提高诊断精度。     

基于预训练-微调策略的COVID-19预测模型

COVID-19的世界性大流行对整个社会产生了严重的影响,通过数学建模对确诊病例数进行预测将有助于为公共卫生决策提供依据。在复杂多变的外部环境下,基于深度学习的传染病预测模型成为研究热点。然而,现有模型对数据量要求较高,在进行监督学习时不能很好地适应低数据量的场景,导致预测精度降低。构建结合预训练-微调策略的COVID-19预测模型P-GRU。通过在源地区数据集上采用预训练策略,使模型提前获得更多的疫情数据,从而学习到COVID-19的隐式演变规律,为模型预测提供更充分的先验知识,同时使用包含最近历史信息的固定长度序列预测后续时间点的确诊病例数,并在预测过程中考虑本地人为限制政策因素对疫情趋势的影响,实现针对目标地区数据集的精准预测。实验结果表明,预训练策略能够有效提高预测性能,相比于卷积神经网络、循环神经网络、长短期记忆网络和门控循环单元模型,P-GRU模型在平均绝对百分比误差和均方根误差评价指标上表现优异,更适合用于预测COVID-19传播趋势。     

基于同态加密的多分类Logistic回归模型

随着计算能力的发展,机器学习得到了广泛的应用,数据的安全问题也成为一个重要问题.同态加密技术可以在不泄露明文信息的情况下,对密文进行运算并在解密后得到与在明文上执行相应运算一致的结果.因此,同态加密是一种可行的有潜力的数据安全外包解决方案.为了解决现实生活中出现的多分类问题,本文基于Cheon等提出的HEAAN同态加密方案,提出了一种能有效保护数据隐私的多分类Logistic回归模型,采用"一对其余"的拆解策略,通过训练多个分类器,将二分类Logistic回归模型推广到多分类.数据持有者可以将数据加密后发送给服务器,服务器使用多分类Logistic回归模型对加密数据进行训练,并将结果传回数据持有者,数据持有者解密结果后可以用来对多分类数据进行预测,整个过程中不会有隐私被泄露.本文通过对UCI的Dermatology和Iris数据集进行了实验,测试模型的性能.Dermatology数据集包含358条样本, 34个特征属性,分为6个类别,训练时间约为36.70分钟,准确率达到77.18%,与明文计算的准确率一致.实验验证了本文的模型在效率和准确率方面的可行性.     

基于密度估计的逻辑回归模型

介绍了一种基于密度的逻辑回归（Density-based logistic regression,DLR）分类模型以解决逻辑回归中非线性分类的问题. 其主要思想是根据Nadarays-Watson密度估计将训练数据映射到特定的特征空间,然后组建优化模型优化特征权重以及Nadarays-Watson 密度估计算法的宽度. 其主要优点在于：它不仅优于标准的逻辑回归,而且优于基于径向基函数（Radial basis function,RBF）内核的核逻辑回归（Kernel logistic regression,KLR）. 特别是与核逻辑回归分析和支持向量机（Support vector machine,SVM）相比,该方法不仅达到更好的分类精度,而且有更好的时间效率. 该方法的另一个显著优点是,它可以很自然地扩展到数值类型和分类型混合的数据集中. 除此之外,该方法和逻辑回归（Logistic regression,LR）一样,有同样的模型可解释的优点,这恰恰是其他如核逻辑回归分析和支持向量机所不具备的.     

基于稀疏逻辑回归和多元融合算法的慢性肾病进展预测模型

只有一部分慢性肾病（Chronic Kidney Disease, CKD）3期的患者会进展到4期,观察临床数据发现进展和非进展患者部分生理指标有较大的区别。本文首次将基于L1/2范数正则化的逻辑回归（Sparse Logistic Regression, SLR）用于筛选影响CKD患者进展的关键因素,然后利用SLR、支持向量机（SVM）、提升决策树（AdaBoost Decision Tree, BOOSTDT）建立进展风险预测模型。另外,本文引入堆叠算法Stacking（STKSSD）克服样本量不足使得模型泛化性能不稳定的缺陷。作为对比,本文分别利用神经网络（ANN）、循环神经网络（BLSTM）对数据建模。实验结果表明,当SLR算法选择磷、血清肌酐等11个关键特征时, STKSSD融合模型效果最好,其中测试查全率、查准率、F1值分别为86.97%、92.86%和89.82%。     

Organizational decision-making during COVID-19: A qualitative analysis of the organizational decision-making system in the United States during COVID-19

This study sought to understand COVID-19-related organizational decisions were made across sectors. To gain this understanding, we conducted semi-structured interviews with organizational decision-makers in North Carolina about their experiences responding to COVID-19. Conventional content analysis was used to analyse the context, inputs, and processes involved in decision-making. Between October 2020 and February 2021, we interviewed 44 decision-makers from the following sectors: business (n = 4), community non-profit (n = 3), county government (n = 4), healthcare (n = 5), local public health (n = 5), public safety (n = 7), religious (n = 6), education (n = 7) and transportation (n = 3). We found that during the pandemic, organizations looked to scientific authorities, the decisions of peer organizations, data about COVID-19, and their own experience with prior crises. Interpretation of inputs was informed by current political events, societal trends, and organization mission. Decision-makers had to account for divergent internal opinions and community behaviour. To navigate inputs and contextual factors, organizations decentralized decision-making authority, formed auxiliary decision-making bodies, learned to resolve internal conflicts, learned in real time from their crisis response, and routinely communicated decisions with their communities. In conclusion, aligned with systems and contingency theories of decision-making, decision-making during COVID-19 depended on an organization's ‘fit’ within the specifics of their existing system and their ability to orient the dynamics of that system to their own goals.