Alle Herausforderungen
Einfach 0 gelöst 0% Erfolgsquote

Vorhersage mit logistischer Regression

Klassifiziere Beispiele als 0 oder 1, indem du eine gewichtete Summe durch Sigmoid leitest und mit einem Schwellenwert vergleichst.

Das lernst du

  • Eine gewichtete Summe in eine Wahrscheinlichkeit umwandeln
  • Mit einem Entscheidungsschwellenwert klassifizieren
  • Binäre Klassifikatoren verstehen

Problem

Die logistische Regression ist ein lineares Modell für Ja/Nein-Fragen. Für jedes Beispiel berechnet sie eine Wahrscheinlichkeit und macht daraus eine Klasse:

  1. z = x₁×w₁ + … + xₙ×wₙ + bias
  2. p = 1 / (1 + e^(-z))
  3. Klasse = 1, wenn p ≥ threshold, sonst 0

Implementiere logistic_predict(samples, weights, bias, threshold).

Eingabe

samples: Eine Zeile mit n Merkmalen pro Beispiel.

weights: n Gewichte.

bias: Der Bias.

threshold: Die Wahrscheinlichkeit, die für Klasse 1 nötig ist (echt zwischen 0 und 1).

Ausgabe

Gib die vorhergesagte Klasse (0 oder 1) jedes Beispiels in Reihenfolge zurück.

Einschränkungen

1 ≤ Beispiele ≤ 1.000, 1 ≤ n ≤ 50

-100 ≤ jedes Merkmal, jedes Gewicht und der Bias ≤ 100

0 < threshold < 1

Beispiele

Beispiel 1
Eingabe:
samples = [
    [2.0, 1.0],
    [0.0, 0.0],
    [-1.0, -3.0]
]
weights = [1.5, -0.5]
bias = -1.0
threshold = 0.5

Erwartete Ausgabe:
expected = [1, 0, 0]
Eingabe:
std::vector<std::vector<double>> samples = {
    {2.0, 1.0},
    {0.0, 0.0},
    {-1.0, -3.0}
};
std::vector<double> weights = {1.5, -0.5};
double bias = -1.0;
double threshold = 0.5;

Erwartete Ausgabe:
std::vector<long long> expected = {1, 0, 0};
Eingabe:
double[][] samples = new double[][] {
    new double[] {2.0, 1.0},
    new double[] {0.0, 0.0},
    new double[] {-1.0, -3.0}
};
double[] weights = new double[] {1.5, -0.5};
double bias = -1.0;
double threshold = 0.5;

Erwartete Ausgabe:
long[] expected = new long[] {1, 0, 0};

Erläuterung

Beispiel 1: z = 3 - 0.5 - 1 = 1.5, p ≈ 0.818 → 1. Beispiel 2: z = -1, p ≈ 0.269 → 0. Beispiel 3: z = -1.5 + 1.5 - 1 = -1, p ≈ 0.269 → 0. Ergebnis: [1, 0, 0].

Beispiel 2
Eingabe:
samples = [
    [1.0],
    [2.0],
    [3.0]
]
weights = [1.0]
bias = -2.0
threshold = 0.7

Erwartete Ausgabe:
expected = [0, 0, 1]
Eingabe:
std::vector<std::vector<double>> samples = {
    {1.0},
    {2.0},
    {3.0}
};
std::vector<double> weights = {1.0};
double bias = -2.0;
double threshold = 0.7;

Erwartete Ausgabe:
std::vector<long long> expected = {0, 0, 1};
Eingabe:
double[][] samples = new double[][] {
    new double[] {1.0},
    new double[] {2.0},
    new double[] {3.0}
};
double[] weights = new double[] {1.0};
double bias = -2.0;
double threshold = 0.7;

Erwartete Ausgabe:
long[] expected = new long[] {0, 0, 1};

Erläuterung

Die Wahrscheinlichkeiten sind σ(-1) ≈ 0.269, σ(0) = 0.5 und σ(1) ≈ 0.731. Nur die letzte erreicht den Schwellenwert 0.7, also ist das Ergebnis [0, 0, 1].

So gehst du vor

Versuch es zuerst allein und öffne dann einen Hinweis nach dem anderen.

Hinweis 1

Berechne für jedes Sample zuerst den linearen Score aus Features, Gewichten und Bias.

Hinweis 2

Wandle diesen Score mit einer Sigmoid-Funktion in eine Wahrscheinlichkeit um und vergleiche sie dann mit dem Schwellwert.

Hinweis 3

Sehr große positive oder negative Scores können die Sigmoid-Funktion sättigen, aber die Klassenentscheidung kommt trotzdem vom Schwellwert.

Erwartete Komplexität

Zeit O(m × n), zusätzlicher Speicher O(1)

Referenzen

Diese Aufgabe wurde für CodeUtility angepasst. Beachte die oben genannten Vorgaben und Einschränkungen.

Die beste bestandene Lösung jedes Coders. Schnellere, sparsamere und besser bewertete Lösungen stehen weiter oben.

Noch keine bestandene Lösung. Löse sie und hol dir Platz eins.

Von anderen lernen

Community-Lösungen

Noch keine veröffentlichten Lösungen. Löse die Aufgabe und teile als Erster eine Lösung.