Problema
A regressão logística é um modelo linear para perguntas de sim ou não. Para cada exemplo, ela calcula uma probabilidade e a transforma em uma classe:
- z = x₁×w₁ + … + xₙ×wₙ + bias
- p = 1 / (1 + e^(-z))
- classe = 1 se p ≥ threshold, senão 0
Implemente logistic_predict(samples, weights, bias, threshold).
Entrada
samples: Uma linha de n variáveis por exemplo.
weights: n pesos.
bias: O viés.
threshold: A probabilidade necessária para prever a classe 1 (estritamente entre 0 e 1).
Saída
Retorne a classe prevista (0 ou 1) de cada exemplo, em ordem.
Restrições
1 ≤ exemplos ≤ 1.000, 1 ≤ n ≤ 50
-100 ≤ cada variável, peso e viés ≤ 100
0 < threshold < 1
Exemplos
Entrada:
bias = -1.0
samples = [
[2.0, 1.0],
[0.0, 0.0],
[-1.0, -3.0]
]
weights = [1.5, -0.5]
threshold = 0.5
Saída esperada:
expected = [1, 0, 0]Entrada:
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;
Saída esperada:
std::vector<long long> expected = {1, 0, 0};Entrada:
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;
Saída esperada:
long[] expected = new long[] {1, 0, 0};Explicação
Exemplo 1: z = 3 - 0.5 - 1 = 1.5, p ≈ 0.818 → 1. Exemplo 2: z = -1, p ≈ 0.269 → 0. Exemplo 3: z = -1.5 + 1.5 - 1 = -1, p ≈ 0.269 → 0. Resultado: [1, 0, 0].
Entrada:
bias = -2.0
samples = [
[1.0],
[2.0],
[3.0]
]
weights = [1.0]
threshold = 0.7
Saída esperada:
expected = [0, 0, 1]Entrada:
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;
Saída esperada:
std::vector<long long> expected = {0, 0, 1};Entrada:
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;
Saída esperada:
long[] expected = new long[] {0, 0, 1};Explicação
As probabilidades são σ(-1) ≈ 0.269, σ(0) = 0.5 e σ(1) ≈ 0.731. Só a última alcança o limiar de 0.7, então o resultado é [0, 0, 1].
Referências
Este desafio foi adaptado para o CodeUtility. Siga o enunciado e as restrições acima.