Problema
La regressione logistica è un modello lineare per domande sì/no. Per ogni esempio calcola una probabilità e la trasforma in una classe:
- z = x₁×w₁ + … + xₙ×wₙ + bias
- p = 1 / (1 + e^(-z))
- classe = 1 se p ≥ threshold, altrimenti 0
Implementa logistic_predict(samples, weights, bias, threshold).
Input
samples: Una riga di n variabili per esempio.
weights: n pesi.
bias: Il bias.
threshold: La probabilità necessaria per prevedere la classe 1 (strettamente tra 0 e 1).
Output
Restituisci la classe prevista (0 o 1) di ogni esempio, in ordine.
Vincoli
1 ≤ esempi ≤ 1.000, 1 ≤ n ≤ 50
-100 ≤ ogni variabile, peso e bias ≤ 100
0 < threshold < 1
Esempi
Input:
bias = -1.0
samples = [
[2.0, 1.0],
[0.0, 0.0],
[-1.0, -3.0]
]
weights = [1.5, -0.5]
threshold = 0.5
Output atteso:
expected = [1, 0, 0]Input:
double bias = -1.0;
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 threshold = 0.5;
Output atteso:
std::vector<long long> expected = {1, 0, 0};Input:
double bias = -1.0;
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 threshold = 0.5;
Output atteso:
long[] expected = new long[] {1, 0, 0};Spiegazione
Esempio 1: z = 3 - 0.5 - 1 = 1.5, p ≈ 0.818 → 1. Esempio 2: z = -1, p ≈ 0.269 → 0. Esempio 3: z = -1.5 + 1.5 - 1 = -1, p ≈ 0.269 → 0. Risultato: [1, 0, 0].
Input:
bias = -2.0
samples = [
[1.0],
[2.0],
[3.0]
]
weights = [1.0]
threshold = 0.7
Output atteso:
expected = [0, 0, 1]Input:
double bias = -2.0;
std::vector<std::vector<double>> samples = {
{1.0},
{2.0},
{3.0}
};
std::vector<double> weights = {1.0};
double threshold = 0.7;
Output atteso:
std::vector<long long> expected = {0, 0, 1};Input:
double bias = -2.0;
double[][] samples = new double[][] {
new double[] {1.0},
new double[] {2.0},
new double[] {3.0}
};
double[] weights = new double[] {1.0};
double threshold = 0.7;
Output atteso:
long[] expected = new long[] {0, 0, 1};Spiegazione
Le probabilità sono σ(-1) ≈ 0.269, σ(0) = 0.5 e σ(1) ≈ 0.731. Solo l'ultima raggiunge la soglia di 0.7, quindi il risultato è [0, 0, 1].
Riferimenti
Questa sfida è adattata per CodeUtility. Segui la traccia e i vincoli sopra.