로지스틱 회귀 예제

Posted on

로지스틱 회귀 분석의 출력은 Wald z 점수를 기반으로 하는 p=0.0167 {디스플레이 스타일 p=0.0167}의 p 값을 제공합니다. Wald 방법 대신 로지스틱 회귀에 대한 p-값을 계산하는 데 필요한 권장 방법[인용]은 이 데이터에 대해 p = 0.0006 {displaystyle p=0.0006}를 제공하는 우도 비 테스트(LRT)입니다. 로지스틱 회귀는 중요한 기계 학습 알고리즘입니다. 목표는 무작위 변수 Y {displaystyle Y}가 주어진 실험 데이터를 0 또는 1이 될 확률을 모델링하는 것입니다. [21] 다른 관점에서 이미 주어진 절편 및 경사로 사용 가능한 회귀 수식을 가지고 있다고 가정해 봅시다. 그러나 로지스틱 회귀에서 알다시피 그렇게 작동하지 않으므로 이 수식 P = e (β0 + β1X + θi)/e (β0 + β1X+ θi)에 X 값을 넣고 x축과 y축에 결과를 매핑합니다. 값이 0.5 이상이면 원하는 결과 (즉 1)를 향한 것이고 0.5 미만이면 원하지 않는 결과 (즉 0)를 향한다는 것을 알 수 있습니다. 지정된 매개 변수가 있는 로지스틱 모델을 고려한 다음 데이터에서 계수를 추정할 수 있는 방법을 알아서 로지스틱 회귀를 이해해 보겠습니다. 두 개의 예측 변수가 있는 모델을 고려합니다. 예측 변수와 Y = 1 {displaystyle Y=1} 이벤트의 로그 배당률 간의 선형 관계를 가정합니다. 이 선형 관계는 다음 수학적 형태로 작성할 수 있습니다(l은 로그 배당률, b {displaystyle b}는 로그릿의 기본이며 β i {displaystyle beta _{i}}는 모델의 매개 변수입니다): 로지스틱 회귀를 이해하는 데 도움이 되기를 바랍니다.

더 나은 (그것을 쓰는 것은 확실히 도움이되었습니다). 3- 로지스틱 회귀를 사용한 후 얻는 계수는 특정 변수가 로그 배당률에 얼마나 기여하는지 알려줍니다. 때로는 로지스틱 회귀를 해석하기가 어렵습니다. 지성 통계 도구를 사용하면 분석을 쉽게 수행 할 수 있으며 일반 영어로 출력을 해석합니다. 단순 로지스틱 회귀는 종속 변수가 측정이 아니라 명목이라는 점을 제외하면 선형 회귀와 유사합니다. 한 가지 목표는 명목 변수의 특정 값을 얻을 확률이 측정 변수와 연관되어 있는지 확인하는 것입니다. 다른 목표는 측정 변수를 고려하여 명목 변수의 특정 값을 얻을 확률을 예측하는 것입니다. 선형 회귀에서 Y 변수는 항상 연속 변수입니다.

Y 변수가 범주형이라고 가정하면 선형 회귀 모델을 사용할 수 없습니다.