Tất cả thử thách
Dễ 0 đã giải Tỷ lệ chấp nhận 0%

Dự đoán bằng hồi quy logistic

Phân loại mẫu thành 0 hoặc 1 bằng cách đưa tổng có trọng số qua sigmoid và so sánh với một ngưỡng.

Bạn sẽ học được gì

  • Biến tổng có trọng số thành xác suất
  • Phân loại bằng ngưỡng quyết định
  • Hiểu các bộ phân loại nhị phân

Đề bài

Xem bản gốc (English)

Hồi quy logistic là mô hình tuyến tính cho các câu hỏi có/không. Với mỗi mẫu, nó tính một xác suất rồi đổi thành một lớp:

  1. z = x₁×w₁ + … + xₙ×wₙ + bias
  2. p = 1 / (1 + e^(-z))
  3. lớp = 1 nếu p ≥ threshold, ngược lại 0

Hãy cài đặt logistic_predict(samples, weights, bias, threshold).

Đầu vào

samples: Mỗi mẫu một hàng gồm n đặc trưng.

weights: n trọng số.

bias: Bias.

threshold: Xác suất cần đạt để dự đoán lớp 1 (nằm hẳn giữa 0 và 1).

Đầu ra

Trả về lớp dự đoán (0 hoặc 1) của từng mẫu theo thứ tự.

Ràng buộc

1 ≤ số mẫu ≤ 1.000, 1 ≤ n ≤ 50

-100 ≤ mỗi đặc trưng, trọng số và bias ≤ 100

0 < threshold < 1

Ví dụ

Ví dụ 1
Đầu vào:
samples = [
    [2.0, 1.0],
    [0.0, 0.0],
    [-1.0, -3.0]
]
weights = [1.5, -0.5]
bias = -1.0
threshold = 0.5

Kết quả mong đợi:
expected = [1, 0, 0]
Đầu vào:
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;

Kết quả mong đợi:
std::vector<long long> expected = {1, 0, 0};
Đầu vào:
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;

Kết quả mong đợi:
long[] expected = new long[] {1, 0, 0};

Giải thích

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

Ví dụ 2
Đầu vào:
samples = [
    [1.0],
    [2.0],
    [3.0]
]
weights = [1.0]
bias = -2.0
threshold = 0.7

Kết quả mong đợi:
expected = [0, 0, 1]
Đầu vào:
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;

Kết quả mong đợi:
std::vector<long long> expected = {0, 0, 1};
Đầu vào:
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;

Kết quả mong đợi:
long[] expected = new long[] {0, 0, 1};

Giải thích

Các xác suất là σ(-1) ≈ 0.269, σ(0) = 0.5 và σ(1) ≈ 0.731. Chỉ giá trị cuối đạt ngưỡng 0.7, nên kết quả là [0, 0, 1].

Hướng tiếp cận

Hãy tự thử trước, sau đó mở từng gợi ý một.

Gợi ý 1

Với mỗi mẫu, trước tiên tính score tuyến tính từ features, weights và bias.

Gợi ý 2

Đổi score đó thành xác suất bằng sigmoid, rồi so sánh với ngưỡng.

Gợi ý 3

Score dương hoặc âm rất lớn có thể làm sigmoid bão hòa, nhưng quyết định lớp vẫn dựa trên ngưỡng.

Độ phức tạp mong đợi

thời gian O(m × n), bộ nhớ phụ O(1)

Tham khảo

Thử thách này đã được điều chỉnh cho CodeUtility. Hãy làm theo đề bài và các ràng buộc ở trên.

Lời giải đạt tốt nhất của mỗi người. Lời giải nhanh hơn, tốn ít bộ nhớ hơn và được đánh giá cao hơn sẽ đứng trên.

Chưa có lời giải nào đạt. Giải bài này để giành hạng nhất.

Học hỏi từ người khác

Giải pháp cộng đồng

Chưa có giải pháp nào được chia sẻ. Hãy giải thử thách này để đăng giải pháp đầu tiên.