logistic回归分析优点_数据统计的理解和应用(十三)预测模型篇之logistic回归...

84c0fbc37e268ae8b77eb4f56786778c.png

专栏的前几期文章,临度简单讲解了基础统计的知识,如:

  1. 两组定量资料的分析思路之t检验
  2. 多组样本比较之方差分析
  3. 列联表之卡方检验

之后介绍了logistic回归,如:

  1. 统计分析之logistic回归
  2. 单因素logistic回归分析案例
  3. 多因素logistic回归案例分析

我们知道logistic回归的几个作用:

  1. 探索危险因素
  2. 控制协变量,求某种因素对结局的影响
  3. 统计建模

那我们今天升华一下:

万物皆可盘,数据预未来

模型终有误,或尤建奇功

聊聊这个建模预测的过程

一般常见的统计建模为内部验证和外部验证:内部验证即把一份数据一拆为二,70%用作训练集,30%用作验证集;外部验证即为用已有的数据做模型,用其他的数据来做验证(原理都相似)。

直接上代码:先用SAS随机生成一份数据来演示,样本量1000,因变量y和自变量x1-x4均为二分类(1,0)。

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
逻辑回归是一个经典的分类算法,它可以处理二元分类以及多元分类。逻辑回归的原理是由线性回归模型演变而来的,因此含有“回归”二字,但它并不是一个回归算法,而是属于广义线性模型的一类。[2] 逻辑回归的基本原理可以概括为以下几个步骤: 1. 寻找预测函数:逻辑回归模型通过定义一个预测函数来预测观测样本的分类概率。常用的预测函数是sigmoid函数,也称为逻辑函数。这个函数将输入值映射到一个介于0和1之间的概率值。 2. 构造损失函数:为了使模型能够学习到最优的参数,需要定义一个损失函数来衡量预测值与真实值的差距。常用的损失函数是交叉熵损失函数,它可以度量模型预测与实际分类之间的误差。 3. 损失函数的优化方法:为了最小化损失函数,常用的优化方法是梯度下降法。梯度下降法通过迭代更新模型参数,使得损失函数逐渐减小,从而达到寻找最优参数的目的。 逻辑回归的优点包括:实现简单,计算效率高,模型可解释性强,可以处理线性可分问题,并且可以通过调整阈值来控制分类的准确率与召回率的平衡。缺点包括:对于非线性可分问题表现较差,并且对异常值敏感。 逻辑回归与线性回归的区别在于目标变量的类型不同。线性回归用于预测连续型变量,而逻辑回归用于预测分类变量。此外,逻辑回归使用了sigmoid函数来模拟分类概率,而线性回归没有这个步骤。 以上是关于逻辑回归原理的一些简要介绍。如果需要更加详细的内容,可以参考引用的材料进行进一步学习。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值