– это набор формальных систем, используемых в математике, философии, лингвистике и информатике. Логика первого порядка использует количественные переменные вместо нелогических объектов и допускает использование предложений, содержащих переменные, так что вместо таких утверждений, как Сократ – человек, могут быть выражения в форме «существует такое X, что X есть Сократ и X – человек», и существует квантор, а X – переменная. Это отличает ее от логики высказываний, которая не использует кванторы или отношения.

Логика по умолчанию (Default logic) – это немонотонная логика, предложенная Раймондом Рейтером для формализации рассуждений с предположениями по умолчанию. Логика по умолчанию может выражать такие факты, как «по умолчанию, что-то истинно».

Логика разделения (Separation logic) – расширение логики Хоара – это способ рассуждения о программах. Язык утверждений логики разделения является частным случаем логики сгруппированных импликаций (BI).

Логистическая регрессия (Logistic regression) – это статистический метод для анализа набора данных, в котором есть одна или несколько независимых переменных, которые определяют результат. Результат измеряется с помощью дихотомической переменной (в которой есть только два возможных результата). Она используется для прогнозирования двоичного результата (1/0, да / нет, истина / ложь) с учетом набора независимых переменных. Логистическую регрессию можно рассматривать как особый случай линейной регрессии, когда исходная переменная является категориальной, где мы используем логарифм шансов в качестве зависимой переменной. Проще говоря, он предсказывает вероятность возникновения события путем подгонки данных клогитфункции. В некоторых случаях зависимые переменные могут иметь более двух результатов, например, в браке / не замужем / в разводе, такие сценарии классифицируются как полиномиальная логистическая регрессия. [40]

Логистическая функция ошибки (также функция потерь логистической регрессии) (Log Loss) – Эту функцию называют также «логлосс» (logloss / log_loss), перекрёстной / кросс-энтропией. В большинстве обучающих сетей – это ошибка, которая рассчитывается как разница между фактическим выходным значением y и прогнозируемым выходным значением ŷ. Функция, используемая для вычисления этой ошибки, известна как функция потерь. [41]

Логит (Logits) – это функция, также известная как функция логарифмических шансов, – это функция, которая представляет значения вероятности от 0 до 1 и от отрицательной бесконечности до бесконечности. Эта функция обратна сигмовидной функции, которая ограничивает значения от 0 до 1 по оси Y, а не по оси X. Поскольку логит-функция существует в диапазоне от 0 до 1, эта функция чаще всего используется для понимания вероятностей используется аналогично сигмовидной функции в нейронных сетях. Сигмоидальная или активационная функция выдает вероятность, тогда как логит-функция принимает вероятность и выдает действительное число между отрицательной и положительной бесконечностью. Как и сигмовидная функция, логит-функции часто размещаются в качестве последнего слоя в нейронной сети, поскольку это может упростить данные. Например, логит-функция часто используется на последнем слое нейронной сети, используемой в задачах классификации. Поскольку сеть определяет вероятности для классификации, функция логита может преобразовывать эти вероятности в действительные числа.

Логит модель (Logit model) – это статистическая модель, используемая для предсказания вероятности возникновения интересующего нас события с помощью логистической функции [