Forskellen mellem lineær og logistisk regression

Lineær regression bruges til at forudsige den kontinuerlige afhængige variabel ved hjælp af et givet sæt uafhængige variabler. Logistisk regression bruges til at forudsige den kategoriske afhængige variabel ved hjælp af et givet sæt uafhængige variabler. Lineær regression bruges til at løse regressionsproblemer.

1. Skal jeg bruge lineær eller logistisk regression?
2. Er logistisk regression En lineær regression?
3. Hvad er forskellen mellem logistisk og multipel regression?
4. Hvornår skal jeg bruge logistisk regression?
5. Hvorfor lineær regression ikke er egnet til klassificering?
6. Hvorfor er logistisk regression bedre?
7. Hvordan beregnes logistisk regression?
8. Kan logistisk regression bruges til ikke-lineær?
9. Hvad er hovedformålet med logistisk regression?
10. Hvad er typerne af logistisk regression?
11. Hvad bruges en multipel regressionsanalyse til?
12. Hvad er antagelserne om logistisk regression?

Skal jeg bruge lineær eller logistisk regression?

Lineær regression bruges til at håndtere regressionsproblemer, mens logistisk regression bruges til at håndtere klassificeringsproblemer. Lineær regression giver et kontinuerligt output, men logistisk regression giver diskret output.

Er logistisk regression En lineær regression?

Det korte svar er: Logistisk regression betragtes som en generaliseret lineær model, fordi resultatet altid afhænger af summen af ​​input og parametre. Eller med andre ord, output kan ikke afhænge af produktet (eller kvotienten osv.) Af dets parametre!

Hvad er forskellen mellem logistisk og multipel regression?

Enkel logistisk regressionsanalyse henviser til regressionsapplikationen med et todelt resultat og en uafhængig variabel; multipel logistisk regressionsanalyse gælder, når der er et enkelt todelt resultat og mere end en uafhængig variabel.

Hvornår skal jeg bruge logistisk regression?

Som alle regressionsanalyser er den logistiske regression en forudsigende analyse. Logistisk regression bruges til at beskrive data og til at forklare forholdet mellem en afhængig binær variabel og en eller flere nominelle, ordinære, interval- eller ratio-uafhængige variabler.

Hvorfor lineær regression ikke er egnet til klassificering?

Denne artikel forklarer, hvorfor logistisk regression fungerer bedre end lineær regression for klassificeringsproblemer, og to grunde til, at lineær regression ikke er egnet: den forudsagte værdi er kontinuerlig, ikke sandsynlig. følsomme over for ubalancedata, når der anvendes lineær regression til klassificering.

Hvorfor er logistisk regression bedre?

Logistisk regression er lettere at implementere, fortolke og meget effektiv at træne. Hvis antallet af observationer er mindre end antallet af funktioner, bør Logistisk regression ikke bruges, ellers kan det føre til overmontering. Det antager ingen antagelser om fordeling af klasser i funktionsrummet.

Hvordan beregnes logistisk regression?

Så lad os starte med den velkendte lineære regressionsligning:

1. Y = B0 + B1 * X. I lineær regression er output Y i de samme enheder som målvariablen (det, du prøver at forudsige). ...
2. Odds = P (begivenhed) / [1-P (begivenhed)] ...
3. Odds = 0,70 / (1–0,70) = 2,333.

Kan logistisk regression bruges til ikke-lineær?

Logistisk regression er traditionelt blevet brugt som en lineær klassifikator, dvs. når klasserne kan adskilles i funktionsområdet ved lineære grænser. Beslutningsgrænsen er således lineær. ...

Hvad er hovedformålet med logistisk regression?

Logistisk regressionsanalyse bruges til at undersøge sammenhængen mellem (kategoriske eller kontinuerlige) uafhængige variabler med en todelt afhængig variabel. Dette er i modsætning til lineær regressionsanalyse, hvor den afhængige variabel er en kontinuerlig variabel.

Hvad er typerne af logistisk regression?

Logistisk regression kan være binomial, ordinær eller multinomial. Binomial eller binær logistisk regression beskæftiger sig med situationer, hvor det observerede resultat for en afhængig variabel kun kan have to mulige typer, "0" og "1" (som f.eks. Kan repræsentere "død" vs. "levende" eller "vinde "vs." tab ").

Hvad bruges en multipel regressionsanalyse til?

Flere regressionsanalyser giver forskere mulighed for at vurdere styrken af ​​forholdet mellem et resultat (den afhængige variabel) og flere forudsigelsesvariabler samt vigtigheden af ​​hver af forudsigerne for forholdet, ofte med virkningen af ​​andre forudsigere, der er statistisk elimineret.

Hvad er antagelserne om logistisk regression?

Grundlæggende antagelser, der skal opfyldes for logistisk regression, inkluderer uafhængighed af fejl, linearitet i logit for kontinuerlige variabler, fravær af multikollinearitet og mangel på stærkt indflydelsesrige outliers.