A quoi sert la régression logistique ?
A quoi sert la régression logistique ?

Vidéo: A quoi sert la régression logistique ?

Vidéo: A quoi sert la régression logistique ?
Vidéo: 16 - Régression logistique : introduction 2024, Novembre
Anonim

Régression logistique est le approprié régression analyse à mener lorsque la variable dépendante est dichotomique (binaire). Régression logistique est utilisé décrire des données et expliquer la relation entre une variable binaire dépendante et une ou plusieurs variables indépendantes nominales, ordinales, d'intervalle ou de rapport.

Les gens demandent également, quand faut-il utiliser la régression logistique ?

Quand utiliser Régression logistique . Tu devrait pensez à utiliser régression logistique lorsque votre variable Y ne prend que deux valeurs. Une telle variable est appelée « binaire » ou « dichotomique ». « Dichotomique » signifie essentiellement deux catégories telles que oui/non, défectueux/non défectueux, succès/échec, etc.

De même, qu'entend-on par régression logistique ? La description. Régression logistique est une méthode statistique pour analyser un ensemble de données dans lequel il y a une ou plusieurs variables indépendantes qui déterminent un résultat. Le résultat est mesuré avec une variable dichotomique (dans laquelle il n'y a que deux résultats possibles).

De même, on se demande, où la régression logistique est-elle utilisée ?

Régression logistique est utilisé dans divers domaines, y compris l'apprentissage automatique, la plupart des domaines médicaux et les sciences sociales. Par exemple, le Trauma and Injury Severity Score (TRISS), qui est largement utilisé pour prédire la mortalité chez les patients blessés, a été initialement développé par Boyd et al. à l'aide de régression logistique.

Comment fonctionne une régression logistique ?

Distribution gaussienne: Régression logistique est un algorithme linéaire (avec une transformation non linéaire en sortie). Ce Est-ce que supposer une relation linéaire entre les variables d'entrée et la sortie. Les transformations de données de vos variables d'entrée qui exposent mieux cette relation linéaire peuvent aboutir à un modèle plus précis.

Conseillé: