Wat is het nut van logistische regressie?
Wat is het nut van logistische regressie?

Video: Wat is het nut van logistische regressie?

Video: Wat is het nut van logistische regressie?
Video: StatQuest: Logistic Regression 2024, November
Anonim

Logistieke regressie is de juiste regressie analyse die moet worden uitgevoerd wanneer de afhankelijke variabele dichotoom (binair) is. Logistieke regressie is gebruikt gegevens te beschrijven en de relatie tussen een afhankelijke binaire variabele en een of meer onafhankelijke variabelen op nominale, ordinale, interval- of rationiveau te verklaren.

Mensen vragen zich ook af, wanneer moet logistische regressie worden gebruikt?

Wanneer te gebruiken Logistieke regressie . Jij zou moeten denk na over het gebruik van logistische regressie wanneer uw Y-variabele slechts twee waarden aanneemt. Zo'n variabele wordt "binair" of "dichotoom" genoemd. "Dichotoom" betekent in feite twee categorieën, zoals ja/nee, defect/niet-defect, succes/falen, enzovoort.

Evenzo, wat wordt bedoeld met logistische regressie? Beschrijving. Logistieke regressie is een statistische methode voor het analyseren van een dataset waarin een of meer onafhankelijke variabelen een uitkomst bepalen. De uitkomst wordt gemeten met een dichotome variabele (waarin er slechts twee mogelijke uitkomsten zijn).

Evenzo wordt gevraagd, waar wordt logistische regressie gebruikt?

Logistieke regressie is gebruikt op verschillende gebieden, waaronder machine learning, de meeste medische gebieden en sociale wetenschappen. Bijvoorbeeld de Trauma and Injury Severity Score (TRISS), die veel wordt gebruikt gebruikt om mortaliteit bij gewonde patiënten te voorspellen, werd oorspronkelijk ontwikkeld door Boyd et al. gebruik makend van logistische regressie.

Hoe werkt een logistische regressie?

Gaussische verdeling: Logistieke regressie is een lineair algoritme (met een niet-lineaire transformatie op output). Het doet ga uit van een lineair verband tussen de invoervariabelen en de uitvoer. Gegevenstransformaties van uw invoervariabelen die deze lineaire relatie beter blootleggen, kunnen resulteren in een nauwkeuriger model.

Aanbevolen: