Ո՞րն է լոգիստիկ ռեգրեսիայի օգտագործումը:
Ո՞րն է լոգիստիկ ռեգրեսիայի օգտագործումը:

Video: Ո՞րն է լոգիստիկ ռեգրեսիայի օգտագործումը:

Video: Ո՞րն է լոգիստիկ ռեգրեսիայի օգտագործումը:
Video: РЕПОРТАЖ - пресс-ланч с участием отцов-основателей группы «Земляне» 28 января 2022 2024, Մայիս
Anonim

Լոգիստիկ ռեգրեսիա տեղին է հետընթաց վերլուծություն իրականացնել, երբ կախյալ փոփոխականը երկակի է (երկուական): Լոգիստիկ ռեգրեսիա է օգտագործված նկարագրել տվյալները և բացատրել մեկ կախյալ երկուական փոփոխականի և մեկ կամ մի քանի անվանական, հերթական, միջակայքի կամ հարաբերակցության մակարդակի անկախ փոփոխականների միջև կապը:

Մարդիկ նաև հարցնում են՝ ե՞րբ պետք է օգտագործել լոգիստիկ ռեգրեսիան։

Երբ օգտագործել Լոգիստիկ ռեգրեսիա . Դուք պետք է մտածեք օգտագործելու մասին լոգիստիկ ռեգրեսիա երբ ձեր Y փոփոխականն ընդունում է ընդամենը երկու արժեք: Նման փոփոխականը կոչվում է «երկուական» կամ «երկբաժան»: «Դիխոտոմ» հիմնականում նշանակում է երկու կատեգորիա, ինչպիսիք են այո/ոչ, թերի/ոչ թերի, հաջողություն/ձախողում և այլն:

Նմանապես, ի՞նչ է նշանակում լոգիստիկ ռեգրեսիա: Նկարագրություն. Լոգիստիկ ռեգրեսիա վիճակագրական մեթոդ է՝ վերլուծելու տվյալների բազան, որտեղ կան մեկ կամ մի քանի անկախ փոփոխականներ, որոնք որոշում են արդյունքը: Արդյունքը չափվում է երկփեղկ փոփոխականով (որում կա միայն երկու հնարավոր արդյունք):

Նմանապես, հարցնում են, թե որտեղ է օգտագործվում լոգիստիկ ռեգրեսիան:

Լոգիստիկ ռեգրեսիա է օգտագործված տարբեր ոլորտներում, ներառյալ մեքենայական ուսուցումը, բժշկական ոլորտների մեծ մասը և սոցիալական գիտությունները: Օրինակ՝ տրավմայի և վնասվածքների ծանրության գնահատականը (TRISS), որը լայնորեն տարածված է օգտագործված վիրավոր հիվանդների մահացությունը կանխատեսելու համար, ի սկզբանե մշակվել է Բոյդի և այլոց կողմից: օգտագործելով լոգիստիկ ռեգրեսիա.

Ինչպե՞ս է գործում լոգիստիկ ռեգրեսիան:

Գաուսյան բաշխում. Լոգիստիկ ռեգրեսիա գծային ալգորիթմ է (արդյունքում ոչ գծային փոխակերպումով)։ Այն անում է ենթադրել մուտքային փոփոխականների միջև գծային հարաբերություն ելքի հետ: Ձեր մուտքային փոփոխականների տվյալների փոխակերպումները, որոնք ավելի լավ են բացահայտում այս գծային հարաբերությունները, կարող են հանգեցնել ավելի ճշգրիտ մոդելի:

Խորհուրդ ենք տալիս: