Ano ang gamit ng logistic regression?
Ano ang gamit ng logistic regression?

Video: Ano ang gamit ng logistic regression?

Video: Ano ang gamit ng logistic regression?
Video: StatQuest: Logistic Regression 2024, Nobyembre
Anonim

Logistic regression ay ang nararapat regression pagsusuri na gagawin kapag ang dependent variable ay dichotomous (binary). Logistic regression ay ginamit upang ilarawan ang data at ipaliwanag ang kaugnayan sa pagitan ng isang dependent binary variable at isa o higit pang nominal, ordinal, interval o ratio-level na independent variable.

Nagtatanong din ang mga tao, kailan dapat gamitin ang logistic regression?

Kailan Gagamitin Logistic Regression . Ikaw dapat isipin ang paggamit logistic regression kapag ang iyong Y variable ay tumatagal lamang ng dalawang halaga. Ang nasabing variable ay tinutukoy sa isang "binary" o "dichotomous." Ang ibig sabihin ng "Dichotomous" ay dalawang kategorya tulad ng oo/hindi, may depekto/hindi depekto, tagumpay/kabiguan, at iba pa.

Gayundin, ano ang ibig sabihin ng logistic regression? Paglalarawan. Logistic regression ay isang istatistikal na paraan para sa pagsusuri ng isang dataset kung saan mayroong isa o higit pang mga independiyenteng variable na tumutukoy sa isang resulta. Ang kinalabasan ay sinusukat gamit ang isang dichotomous variable (kung saan mayroon lamang dalawang posibleng resulta).

Katulad nito, tinatanong, saan ginagamit ang logistic regression?

Logistic regression ay ginamit sa iba't ibang larangan, kabilang ang machine learning, karamihan sa mga medikal na larangan, at social science. Halimbawa, ang Trauma and Injury Severity Score (TRISS), na malawak ginamit upang mahulaan ang dami ng namamatay sa mga nasugatang pasyente, ay orihinal na binuo ni Boyd et al. gamit logistic regression.

Paano gumagana ang isang logistic regression?

Pamamahagi ng Gaussian: Logistic regression ay isang linear algorithm (na may non-linear na pagbabago sa output). Ito ay ipagpalagay ang isang linear na relasyon sa pagitan ng mga variable ng input sa output. Ang mga pagbabago sa data ng iyong mga variable ng input na mas mahusay na naglalantad sa linear na relasyon na ito ay maaaring magresulta sa isang mas tumpak na modelo.

Inirerekumendang: