რა არის ლოგისტიკური რეგრესიის გამოყენება?
რა არის ლოგისტიკური რეგრესიის გამოყენება?

ვიდეო: რა არის ლოგისტიკური რეგრესიის გამოყენება?

ვიდეო: რა არის ლოგისტიკური რეგრესიის გამოყენება?
ვიდეო: რას გულისხმობს საერთაშორისო ლოგისტიკა? 2024, ნოემბერი
Anonim

ლოგისტიკური რეგრესია არის შესაბამისი რეგრესი ანალიზი ჩატარდეს მაშინ, როდესაც დამოკიდებული ცვლადი დიქოტომიურია (ორობითი). ლოგისტიკური რეგრესია არის გამოყენებული მონაცემების აღწერისთვის და ერთ დამოკიდებულ ორობით ცვლადსა და ერთ ან მეტ ნომინალურ, რიგითი, ინტერვალის ან თანაფარდობის დონის დამოუკიდებელ ცვლადებს შორის ურთიერთობის ასახსნელად.

ხალხი ასევე იკითხავს, როდის უნდა იქნას გამოყენებული ლოგისტიკური რეგრესია?

როდის გამოვიყენოთ ლოგისტიკური რეგრესია რა შენ უნდა იფიქრეთ გამოყენებაზე ლოგისტიკური რეგრესია როდესაც თქვენი Y ცვლადი იღებს მხოლოდ ორ მნიშვნელობას. ასეთი ცვლადი მოიხსენიება როგორც "ორობითი" ან "დიქოტომიური". „დიქოტომიური“ძირითადად ნიშნავს ორ კატეგორიას, როგორიცაა დიახ/არა, დეფექტური/არა დეფექტი, წარმატება/მარცხი და ა.შ.

ანალოგიურად, რა იგულისხმება ლოგისტიკური რეგრესიაში? აღწერა. ლოგისტიკური რეგრესია არის მონაცემთა ნაკრების ანალიზის სტატისტიკური მეთოდი, რომელშიც არის ერთი ან მეტი დამოუკიდებელი ცვლადი, რომელიც განსაზღვრავს შედეგს. შედეგი იზომება დიქოტომიური ცვლადით (რომელშიც მხოლოდ ორი შესაძლო შედეგია).

ანალოგიურად, ისმის კითხვა, სად გამოიყენება ლოგისტიკური რეგრესია?

ლოგისტიკური რეგრესია არის გამოყენებული სხვადასხვა სფეროში, მათ შორის მანქანათმცოდნეობის, სამედიცინო სფეროების უმეტესობასა და სოციალურ მეცნიერებებში. მაგალითად, ტრავმისა და ტრავმის სიმძიმის ქულა (TRISS), რომელიც ფართოდ არის გავრცელებული გამოყენებული დაშავებულ პაციენტებში სიკვდილიანობის პროგნოზირება, თავდაპირველად შეიმუშავეს ბოიდმა და სხვებმა. გამოყენებით ლოგისტიკური რეგრესია.

როგორ მუშაობს ლოგისტიკური რეგრესია?

გაუსის განაწილება: ლოგისტიკური რეგრესია არის წრფივი ალგორითმი (გამომავალზე არაწრფივი ტრანსფორმირებით). ის აკეთებს ვივარაუდოთ ხაზოვანი კავშირი შეყვანის ცვლადებს შორის გამომავალთან. თქვენი შეყვანის ცვლადების მონაცემთა ტრანსფორმაციამ, რომელიც უკეთ ამჟღავნებს ამ ხაზოვან ურთიერთობას, შეიძლება გამოიწვიოს უფრო ზუსტი მოდელი.

გირჩევთ: