Логистическая регрессия — линейная модель для вопросов «да/нет». Для каждого примера она вычисляет вероятность и превращает её в класс:
- z = x₁×w₁ + … + xₙ×wₙ + bias
- p = 1 / (1 + e^(-z))
- класс = 1, если p ≥ threshold, иначе 0
Реализуйте logistic_predict(samples, weights, bias, threshold).
Входные данные
samples: по строке из n признаков на пример.
weights: n весов.
bias: смещение.
threshold: вероятность, нужная для предсказания класса 1 (строго между 0 и 1).
Выходные данные
Верните предсказанный класс (0 или 1) каждого примера по порядку.
Ограничения
1 ≤ число примеров ≤ 1000, 1 ≤ n ≤ 50
-100 ≤ каждый признак, вес и смещение ≤ 100
0 < threshold < 1
Примеры
Ввод:
bias = -1.0
samples = [
[2.0, 1.0],
[0.0, 0.0],
[-1.0, -3.0]
]
weights = [1.5, -0.5]
threshold = 0.5
Ожидаемый вывод:
expected = [1, 0, 0]Ввод:
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;
Ожидаемый вывод:
std::vector<long long> expected = {1, 0, 0};Ввод:
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;
Ожидаемый вывод:
long[] expected = new long[] {1, 0, 0};Пояснение
Пример 1: z = 3 - 0.5 - 1 = 1.5, p ≈ 0.818 → 1. Пример 2: z = -1, p ≈ 0.269 → 0. Пример 3: z = -1.5 + 1.5 - 1 = -1, p ≈ 0.269 → 0. Результат: [1, 0, 0].
Ввод:
bias = -2.0
samples = [
[1.0],
[2.0],
[3.0]
]
weights = [1.0]
threshold = 0.7
Ожидаемый вывод:
expected = [0, 0, 1]Ввод:
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;
Ожидаемый вывод:
std::vector<long long> expected = {0, 0, 1};Ввод:
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;
Ожидаемый вывод:
long[] expected = new long[] {0, 0, 1};Пояснение
Вероятности равны σ(-1) ≈ 0.269, σ(0) = 0.5 и σ(1) ≈ 0.731. Порог 0.7 достигает только последняя, поэтому результат — [0, 0, 1].
Ссылки
Это задание адаптировано для CodeUtility. Следуйте условию и ограничениям выше.