Logistik regressiyadan qanday foydalanish mumkin?
Logistik regressiyadan qanday foydalanish mumkin?

Video: Logistik regressiyadan qanday foydalanish mumkin?

Video: Logistik regressiyadan qanday foydalanish mumkin?
Video: Logist - bu sohada diplomsiz 15000$ oyiga topsa boladi, faqat bizning yoshlar erinishadi! 2024, May
Anonim

Logistik regressiya mos keladi regressiya qaram o'zgaruvchi ikkilik (ikkilik) bo'lganda o'tkazish uchun tahlil. Logistik regressiya hisoblanadi ishlatilgan ma'lumotlarni tavsiflash va bir bog'liq ikkilik o'zgaruvchi va bir yoki bir nechta nominal, tartibli, intervalli yoki nisbat darajasidagi mustaqil o'zgaruvchilar o'rtasidagi munosabatni tushuntirish.

Odamlar, shuningdek, logistik regressiyadan qachon foydalanish kerakligini so'rashadi.

Qachon foydalanish kerak Logistik regressiya . Siz kerak foydalanish haqida o'ylang logistik regressiya Y o'zgaruvchingiz faqat ikkita qiymatni qabul qilganda. Bunday o'zgaruvchi "ikkilik" yoki "dixotom" deb ataladi. "Dichotomous" asosan ikkita toifani anglatadi, masalan, ha / yo'q, nuqsonli / nuqsonli, muvaffaqiyat / muvaffaqiyatsizlik va boshqalar.

Xuddi shunday, logistik regressiya deganda nima tushuniladi? Tavsif. Logistik regressiya - natijani aniqlaydigan bir yoki bir nechta mustaqil o'zgaruvchilar mavjud bo'lgan ma'lumotlar to'plamini tahlil qilishning statistik usuli. Natija dixotom o'zgaruvchi bilan o'lchanadi (bunda faqat ikkita mumkin bo'lgan natija mavjud).

Xuddi shunday, logistik regressiya qayerda qo'llaniladi?

Logistik regressiya hisoblanadi ishlatilgan turli sohalarda, jumladan, mashinani o'rganish, aksariyat tibbiyot sohalari va ijtimoiy fanlar. Masalan, Travma va jarohatlarning og'irlik darajasi (TRISS) keng tarqalgan ishlatilgan jarohatlangan bemorlarda o'limni bashorat qilish uchun dastlab Boyd va boshqalar tomonidan ishlab chiqilgan. yordamida logistik regressiya.

Logistik regressiya qanday ishlaydi?

Gauss taqsimoti: Logistik regressiya chiziqli algoritmdir (chiqishda chiziqli bo'lmagan transformatsiyaga ega). Bu qiladi chiqish bilan kirish o'zgaruvchilari o'rtasida chiziqli munosabatni qabul qiling. Ushbu chiziqli munosabatlarni yaxshiroq ko'rsatadigan kirish o'zgaruvchilaringizning ma'lumotlarini o'zgartirish aniqroq modelga olib kelishi mumkin.

Tavsiya: