Verschil tussen lineaire en logistieke regressie

Lineaire regressie wordt gebruikt om de continue afhankelijke variabele te voorspellen met behulp van een bepaalde reeks onafhankelijke variabelen. Logistische regressie wordt gebruikt om de categorisch afhankelijke variabele te voorspellen met behulp van een bepaalde set onafhankelijke variabelen. Lineaire regressie wordt gebruikt om een ​​regressieprobleem op te lossen.

1. Moet ik lineaire of logistieke regressie gebruiken??
2. Is logistische regressie Een lineaire regressie?
3. Wat is het verschil tussen logistieke en meervoudige regressie?
4. Wanneer moet ik logistieke regressie gebruiken??
5. Waarom lineaire regressie niet geschikt is voor classificatie?
6. Waarom is logistieke regressie beter??
7. Hoe wordt logistische regressie berekend?
8. Kan logistieke regressie worden gebruikt voor niet-lineaire?
9. Wat is het belangrijkste doel van logistieke regressie?
10. Wat zijn de soorten logistieke regressie?
11. Waar wordt een meervoudige regressieanalyse voor gebruikt?
12. Wat zijn de aannames van logistieke regressie?

Moet ik lineaire of logistieke regressie gebruiken??

Lineaire regressie wordt gebruikt om regressieproblemen aan te pakken, terwijl logistieke regressie wordt gebruikt om de classificatieproblemen aan te pakken. Lineaire regressie zorgt voor een continue output, maar logistische regressie zorgt voor discrete output.

Is logistische regressie Een lineaire regressie?

Het korte antwoord is: Logistische regressie wordt beschouwd als een gegeneraliseerd lineair model omdat de uitkomst altijd afhangt van de som van de inputs en parameters. Of met andere woorden, de output kan niet afhangen van het product (of quotiënt, etc.) van zijn parameters!

Wat is het verschil tussen logistieke en meervoudige regressie?

Eenvoudige logistische regressieanalyse verwijst naar de regressietoepassing met één dichotome uitkomst en één onafhankelijke variabele; meervoudige logistische regressieanalyse is van toepassing wanneer er één dichotome uitkomst is en meer dan één onafhankelijke variabele.

Wanneer moet ik logistieke regressie gebruiken??

Zoals alle regressieanalyses is de logistische regressie een voorspellende analyse. Logistische regressie wordt gebruikt om gegevens te beschrijven en om de relatie tussen een afhankelijke binaire variabele en een of meer nominale, ordinale, interval- of verhoudingsonafhankelijke variabelen te verklaren..

Waarom lineaire regressie niet geschikt is voor classificatie?

Dit artikel legt uit waarom logistische regressie beter presteert dan lineaire regressie voor classificatieproblemen, en 2 redenen waarom lineaire regressie niet geschikt is: de voorspelde waarde is continu, niet probabilistisch. gevoelig voor onbalansgegevens bij gebruik van lineaire regressie voor classificatie.

Waarom is logistieke regressie beter??

Logistieke regressie is gemakkelijker te implementeren, te interpreteren en zeer efficiënt te trainen. Als het aantal waarnemingen kleiner is dan het aantal features, mag Logistic Regression niet worden gebruikt, anders kan dit leiden tot overfitting. Er worden geen aannames gedaan over distributies van klassen in feature space.

Hoe wordt logistische regressie berekend?

Dus laten we beginnen met de bekende lineaire regressievergelijking:

1. Y = B0 + B1 * X. Bij lineaire regressie bevindt de uitvoer Y zich in dezelfde eenheden als de doelvariabele (het ding dat u probeert te voorspellen). ...
2. Odds = P (Evenement) / [1-P (Evenement)] ...
3. Odds = 0,70 / (1-0,70) = 2,333.

Kan logistieke regressie worden gebruikt voor niet-lineaire?

Logistische regressie wordt van oudsher gebruikt als een lineaire classificator, d.w.z. wanneer de klassen in de feature-ruimte kunnen worden gescheiden door lineaire grenzen. De beslissingsgrens is dus lineair. ...

Wat is het belangrijkste doel van logistieke regressie?

Logistische regressieanalyse wordt gebruikt om de associatie van (categorische of continue) onafhankelijke variabele (n) met één dichotome afhankelijke variabele te onderzoeken. Dit in tegenstelling tot lineaire regressieanalyse waarbij de afhankelijke variabele een continue variabele is.

Wat zijn de soorten logistieke regressie?

Logistische regressie kan binominaal, ordinaal of multinominaal zijn. Binominale of binaire logistische regressie heeft betrekking op situaties waarin de waargenomen uitkomst voor een afhankelijke variabele slechts twee mogelijke typen kan hebben, '0' en '1' (die bijvoorbeeld kunnen staan ​​voor 'dood' versus 'levend' of 'win "vs." verlies ").

Waar wordt een meervoudige regressieanalyse voor gebruikt?

Meervoudige regressieanalyse stelt onderzoekers in staat om de sterkte van de relatie tussen een uitkomst (de afhankelijke variabele) en verschillende voorspellende variabelen te beoordelen, evenals het belang van elk van de voorspellers voor de relatie, vaak met het effect van andere voorspellers statistisch geëlimineerd.

Wat zijn de aannames van logistieke regressie?

Basisaannames waaraan moet worden voldaan voor logistische regressie zijn onder meer onafhankelijkheid van fouten, lineariteit in de logit voor continue variabelen, afwezigheid van multicollineariteit en gebrek aan sterk invloedrijke uitschieters.