基于粒子群算法的Logistic回归模型参数估计

doi:10.3778/j.issn.1002-8331.2009.33.014

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (33): 42-44.DOI: 10.3778/j.issn.1002-8331.2009.33.014

基于粒子群算法的Logistic回归模型参数估计

刘锦萍^1，2，郁金祥²

1.华东师范大学计算机科学系，上海 200062
2.嘉兴学院数学与信息工程学院，浙江嘉兴 314001

收稿日期:2009-02-25 修回日期:2009-04-20 出版日期:2009-11-21 发布日期:2009-11-21
通讯作者: 刘锦萍

Parameter estimation method of logistic regression models based on particle swarm optimization algorithm

LIU Jin-ping^1，2，YU Jin-xiang²

1.Department of Computer Science，East China Normal University，Shanghai 200062，China
2.College of Mathematics，Jiaxing University，Jiaxing，Zhejiang 314001，China

Received:2009-02-25 Revised:2009-04-20 Online:2009-11-21 Published:2009-11-21
Contact: LIU Jin-ping

摘要/Abstract

摘要： 针对Logistic回归模型中的参数估计计算复杂难题，提出一种基于粒子群优化算法（PSO）的估计方法。以最大似然准则作为粒子群优化算法的适应度函数，建立了Logistic回归模型中的参数估算模型。数值仿真分析表明，粒子群优化算法可以更精确地计算出相关参数。

关键词: 粒子群优化算法, 参数估计, Logistic回归模型, 最大似然估计

Abstract: In order to solve the computing complex problems of the parameter estimation to the logistic regression models，a novel method to estimate parameter is presented based on particle swarm optimization algorithm.Maximum likelihood estimation is adopted to be fitness function for the optimization problem.Thus the model of computing parameter to the logistic regression models is set up.The numerical simulation results show that PSO algorithm can be used to calculate the parameters of the logistic regression models.

Key words: particle swarm optimization, parameter estimation, logistic regression models, maximum likelihood estimation

中图分类号:

O211.3

TP301.6

刘锦萍^1，2，郁金祥². 基于粒子群算法的Logistic回归模型参数估计[J]. 计算机工程与应用, 2009, 45(33): 42-44.

LIU Jin-ping^1，2，YU Jin-xiang². Parameter estimation method of logistic regression models based on particle swarm optimization algorithm[J]. Computer Engineering and Applications, 2009, 45(33): 42-44.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	孟娜，李艳艳，汪霖. 基于CITAF-HAF的立方调频信号参数估计[J]. 计算机工程与应用, 2021, 57(17): 75-79.
[4]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[5]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[6]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[7]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[8]	王秋萍，王梦娜，王晓峰. 改进收敛因子和比例权重的灰狼优化算法[J]. 计算机工程与应用, 2019, 55(21): 60-65.
[9]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[10]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[11]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[12]	汪娟1, 刘哲1, 宋余庆1, 陈香远2. 基于改进的GLCM甲状腺纹理特征提取与分析[J]. 计算机工程与应用, 2018, 54(23): 176-182.
[13]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[14]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[15]	李健1，曲怀敬1，王美平2，许鸿奎1. 基于PCA和广义高斯建模的多聚焦图像融合[J]. 计算机工程与应用, 2017, 53(5): 216-221.

基于粒子群算法的Logistic回归模型参数估计

Parameter estimation method of logistic regression models based on particle swarm optimization algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics