本文介绍了Logistic回归与多重线性回归的区别，Logistic回归适用于因变量为分类变量的情况。线性概率模型是Logistic回归的前身，但其预测值可能超出0到1的概率范围。通过logit变换解决了这一问题，形成了Logistic回归模型，属于广义线性回归的一种。Logistic回归在实际应用中，如疾病风险预测等领域，能有效估计事件发生的概率。
作者：丁点helper
来源：丁点帮你
前文我们已经讲解了相关与回归的基础知识，并且重点讨论了多重线性回归的应用与诊断分析。今天的文章，我们来看看日常学习和科研中应用同样广泛的另一类回归分析——Logistic回归。
Logisti回归与多重线性回归的区别
多重线性回归，一般是指有多个自变量X，只有一个因变量Y。前面我们主要是以简单线性回归为例在介绍，两者的差距主要在于自变量X的数量，在只有一个X时，就称简单线性回归。
读过我们前面“线性回归”系列文章的同学，肯定已经知道，采用线性回归的第一准则：因变量Y需要是“定量变量”。
例如得分、收入等连续型的，可以计算均数和标准差的变量。而Logistic回归最大的不同在于：Y是分类变量。
Logistic回归的Y是分类变量(这句话希望大家在心里默读三遍)这是进行Logistic回归最基本的条件。
什么是分类变量呢？大家最常见的可能是：发病与不发病。
比如我们用Y来表示“是否患有糖尿病”，用Y=1表示“患病”；用Y=0，表示“不患病”，这里的Y就是一个典型的二分类变量。
此时，当我们希望通过回归分析的方法来探讨“糖尿病患病与
最低0.47元/天 解锁文章
扫一扫
4508
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
