==Логическая регрессия==
[[Файл: Logic_tree_moves'''Логическая регрессия''' (англ.jpg|400px|thumb|Рис.3''logic regression'') {{---}} обобщенный метод регрессии, применяемый в основном в случае, когда независимые переменные имеют двоичную природу (при этом зависимая переменная не обязательно двоичная). Допустимые действия в процессе роста дереваЗадачей логической регрессии является определение независимых переменных, которые могут быть выражены как результат вычисления булевой функции от других независимых переменных.]]
'''Логическая регрессия''' (англ. ''logic regression'') {{---}} обобщенный метод ==Мотивация==Обычно в методах регрессии, применяемый в основном в случае, когда независимые переменные имеют двоичную природу (при этом зависимая переменная не обязательно двоичная)учитывается связь между переменными. Задачей логической регрессии является определение независимых переменныхПредполагается, которые могут быть выражены как что влияние каждой переменной на результат вычисления булевой функции не зависит от значений других независимых переменных. Однако это предположение зачастую неверно.
==Описание==
Пусть <tex>x_1, x_2, \dots, x_k</tex> {{---}} двоичные независимые переменные, и пусть <tex>y</tex> {{---}} зависимая переменная. Будем пытаться натренировать модели регрессии вида <tex>g(E(y)) = b_0 + b_1 L_1 + \dots + b_n L_n</tex>, где <tex>L_j</tex> {{---}} булева функция от переменных <tex>x_i</tex> (например <tex>L_j = (x_2 \lor \overline{x_4}) \land x_7</tex>).
Для каждого типа модели необходимо определить функцию, которая отражает качество рассматриваемой модели. Например, для линейной регрессии такой функцией может быть остаточная сумма квадратов. Целью метода логической регрессии является минимизация выбранной функции качества посредством настройки параметров <tex>b_j</tex> одновременно с булевыми выражениями <tex>L_j</tex>.
==Алгоритм==
[[Файл: Logic_tree_moves.jpg|400px|thumb|Рис.3. Допустимые действия в процессе роста дерева.]]
==См. также==
