Wozu dient die logistische Regression?
Wozu dient die logistische Regression?

Video: Wozu dient die logistische Regression?

Video: Wozu dient die logistische Regression?
Video: Logistische Regression: Einfach erklärt 2024, November
Anonim

Logistische Regression ist das passende Rückschritt Analyse durchzuführen, wenn die abhängige Variable dichotom (binär) ist. Logistische Regression ist Gebraucht Daten zu beschreiben und die Beziehung zwischen einer abhängigen binären Variablen und einer oder mehreren nominalen, ordinalen, Intervall- oder Verhältnisstufen-unabhängigen Variablen zu erklären.

Es wird auch gefragt, wann logistische Regression eingesetzt werden sollte.

Wann zu verwenden Logistische Regression . Du sollen denke über die Verwendung nach logistische Regression wenn Ihre Y-Variable nur zwei Werte annimmt. Eine solche Variable wird als „binär“oder „dichotom“bezeichnet. „Dichotom“bedeutet im Wesentlichen zwei Kategorien wie ja/nein, defekt/nicht defekt, Erfolg/Misserfolg und so weiter.

Was versteht man unter logistischer Regression? Beschreibung. Logistische Regression ist eine statistische Methode zur Analyse eines Datensatzes, in dem es eine oder mehrere unabhängige Variablen gibt, die ein Ergebnis bestimmen. Das Ergebnis wird mit einer dichotomen Variablen gemessen (bei der es nur zwei mögliche Ergebnisse gibt).

Ebenso wird gefragt, wo wird die logistische Regression eingesetzt?

Logistische Regression ist Gebraucht in verschiedenen Bereichen, darunter maschinelles Lernen, die meisten medizinischen Bereiche und Sozialwissenschaften. Zum Beispiel der Trauma and Injury Severity Score (TRISS), der weit verbreitet ist Gebraucht um die Mortalität bei verletzten Patienten vorherzusagen, wurde ursprünglich von Boyd et al. mit logistische Regression.

Wie funktioniert eine logistische Regression?

Gaußsche Verteilung: Logistische Regression ist ein linearer Algorithmus (mit einer nichtlinearen Transformation am Ausgang). Es tut gehen von einer linearen Beziehung zwischen den Eingangsvariablen und der Ausgangsgröße aus. Datentransformationen Ihrer Eingabevariablen, die diese lineare Beziehung besser darstellen, können zu einem genaueren Modell führen.

Empfohlen: