以下是您应该了解的有关逻辑回归的知识

Muhit

博客»数据科学»以下是您应该了解的有关逻辑回归的知识 以下是您应该了解的有关逻辑回归的知识 阿努克拉蒂·梅塔 2022 年 4 月 28 日 阅读 7 分钟 逻辑回归 在线性回归根本不起作用的情况下，逻辑回归是一种非常宝贵的回归分析技术。 引用著名统计学家 Andy Field 的话说：“逻辑回归就是基于这个原理：它用对数项（称为 logit）表达多元逻辑回归方程，从而克服了违反线性假设的问题。” 在本文中，我们将了解什么是逻辑回归分析及其工作原理。让我们举一个例子，看看它是如何应用在数据分析中的。 什么是逻辑回归？ 为了更好地理解它，我们必须首先了解它与线性回归的不同之处。 为了理解逻辑回归和线性回归之间的区别，我们需要首先理解连续变量和分类变量之间的区别。 连续变量是数值。它们在任意两个给定值之间具有无限多个值。例如，视频的长度或收到付款的时间或城市的人口。 另一方面，分类变量具有不同的组或类别。它们可能有也可能没有逻辑顺序。例如性别、付款方式、年龄段等。


在线性回归中，因变量 Y 始终是连续变量。如果变量 Y 是分类变量，则无法应 电话数据 用线性回归。 如果 Y 是只有 2 个类别的分类变量，则可以使用逻辑回归来克服此问题。此类问题也称为二元分类问题。 同样重要的是要了解标准逻辑回归只能用于二元分类问题。如果 Y 具有超过 2 个类别，则它成为多类别分类，并且无法应用标准逻辑回归。 逻辑回归分析的最大优点之一是它可以计算事件的预测概率得分。这使其成为数据分析的宝贵预测建模技术。 逻辑回归源码-机器学习plus 逻辑回归和线性回归 逻辑回归示例 要找到逻辑回归的例子，我们首先必须找到一些二元分类问题的例子。二元分类问题通常是那些结果要么发生或不发生的问题。 换句话说，因变量 Y 只有两个可能的值。这种类型的回归有助于将值预测为 0 或 1，或者预测为 0 到 1 范围内的概率分数。一些常见的二元分类问题包括： (i) 预测客户的信用度；即客户是否会拖欠贷款。 (ii) 确定特定用户是否会购买特定产品。这尤其适用于共同基金、保险等金融产品。 (iii) 确定某个人是否可能患糖尿病。



定特定电子邮件是否构成垃圾邮件。 如果我们使用线性回归来解决这类问题，得到的模型不会将 Y 的值限制在 0 到 1 之间。另一方面，通过逻辑回归分析，您将得到 0 到 1 之间的值，该值表示概率事件发生的情况。 以图形方式表示的逻辑回归示例 逻辑回归来源维基百科 逻辑回归图 逻辑回归如何工作？ 逻辑方程如下： 逻辑回归源码机器学习plus 逻辑回归方程 等式两边同时取 e（指数），结果为： 逻辑回归源码机器学习plus 带有 e 指数的方程 以下是该方程在 R 中的实现方式： # 模板代码 # 第 1 步：在训练数据集上构建 Logit 模型 logitMod <- glm ( Y ~ X1 + X2 , family = “二项式” , data = TrainingData ) # 步骤 2：在测试数据集上预测 Y PredictY <-预测( logitMod , testData , type = “response” ) 观看此视频，详细了解如何在 R 中构建逻辑回归模型。