Cili është përdorimi i regresionit logjistik?
Cili është përdorimi i regresionit logjistik?

Video: Cili është përdorimi i regresionit logjistik?

Video: Cili është përdorimi i regresionit logjistik?
Video: Perdorimi i funksioneve logjike ne Excel nga Fatmir Cela 2024, Mund
Anonim

Regresioni logjistik është e përshtatshme regresioni analiza për të kryer kur ndryshorja e varur është dikotomike (binare). Regresioni logjistik është të përdorura për të përshkruar të dhënat dhe për të shpjeguar marrëdhënien midis një ndryshoreje të varur binare dhe një ose më shumë ndryshoreve të pavarura nominale, rendore, intervale ose të nivelit të raportit.

Njerëzit pyesin gjithashtu, kur duhet përdorur regresioni logjistik?

Kur të përdoret Regresioni logjistik . Ju duhet mendoni për përdorimin regresioni logjistik kur ndryshorja juaj Y merr vetëm dy vlera. Një ndryshore e tillë i referohet një "binare" ose "dikotomike". "Dikotomike" në thelb do të thotë dy kategori të tilla si po/jo, me të meta/pa të meta, sukses/dështim, e kështu me radhë.

Po kështu, çfarë nënkuptohet me regresion logjistik? Përshkrim. Regresioni logjistik është një metodë statistikore për analizimin e një grupi të dhënash në të cilën ka një ose më shumë variabla të pavarur që përcaktojnë një rezultat. Rezultati matet me një variabël dikotomike (në të cilën ka vetëm dy rezultate të mundshme).

Në mënyrë të ngjashme, pyetet se ku përdoret regresioni logjistik?

Regresioni logjistik është të përdorura në fusha të ndryshme, duke përfshirë mësimin e makinerive, shumicën e fushave mjekësore dhe shkencat sociale. Për shembull, rezultati i ashpërsisë së traumës dhe dëmtimit (TRISS), i cili është gjerësisht të përdorura për të parashikuar vdekshmërinë në pacientët e lënduar, u zhvillua fillimisht nga Boyd et al. duke përdorur regresioni logjistik.

Si funksionon një regresion logjistik?

Shpërndarja Gaussian: Regresioni logjistik është një algoritëm linear (me një transformim jolinear në dalje). Ajo bën supozojmë një marrëdhënie lineare ndërmjet variablave hyrëse me daljen. Transformimet e të dhënave të ndryshoreve tuaja hyrëse që ekspozojnë më mirë këtë marrëdhënie lineare mund të rezultojnë në një model më të saktë.

Recommended: