Per a què serveix la regressió logística?
Per a què serveix la regressió logística?

Vídeo: Per a què serveix la regressió logística?

Vídeo: Per a què serveix la regressió logística?
Vídeo: Regresión Logística 2024, Maig
Anonim

Regressió logística és l'adequat regressió anàlisi a realitzar quan la variable dependent és dicotòmica (binària). Regressió logística és utilitzat descriure dades i explicar la relació entre una variable binària dependent i una o més variables independents a nivell nominal, ordinal, d'interval o de raó.

La gent també es pregunta, quan s'ha d'utilitzar la regressió logística?

Quan utilitzar Regressió logística . Vostè hauria pensar a utilitzar regressió logística quan la vostra variable Y només pren dos valors. Aquesta variable s'anomena "binari" o "dicotòmica". "Dicotòmic" significa bàsicament dues categories com ara sí/no, defectuós/no defectuós, èxit/fracàs, etc.

De la mateixa manera, què s'entén per regressió logística? Descripció. Regressió logística és un mètode estadístic per analitzar un conjunt de dades en el qual hi ha una o més variables independents que determinen un resultat. El resultat es mesura amb una variable dicotòmica (en la qual només hi ha dos resultats possibles).

De la mateixa manera, es pregunta, on s'utilitza la regressió logística?

Regressió logística és utilitzat en diversos camps, inclòs l'aprenentatge automàtic, la majoria dels camps mèdics i les ciències socials. Per exemple, el Trauma and Injury Severity Score (TRISS), que és àmpliament utilitzat per predir la mortalitat en pacients ferits, va ser desenvolupat originalment per Boyd et al. utilitzant regressió logística.

Com funciona una regressió logística?

Distribució gaussiana: Regressió logística és un algorisme lineal (amb una transformació no lineal a la sortida). Això fa Suposem una relació lineal entre les variables d'entrada i la sortida. Les transformacions de dades de les vostres variables d'entrada que exposin millor aquesta relació lineal poden donar lloc a un model més precís.

Recomanat: