定义

物流回归

逻辑回归是一种统计分析方法,用于预测数据值基于之前的观察数据集。逻辑回归已成为学科的重要工具机器学习。该方法允许算法用于机器学习应用程序以基于历史数据对传入数据进行分类。随着更相关的数据进入,算法应该在预测数据集中的分类时更好。Logistic回归也可以发挥作用数据准备通过允许数据集在提取物中将数据集放在特定预定义的桶中,转换,负载(Etl.)过程以阶段进行分析信息。

逻辑回归模型预测a依赖数据变量通过分析一个或多个现有的独立变量之间的关系。例如,逻辑回归可用于预测政治候选人是否会赢得或失去选举或中学生是否将被录取到特定的大学。

由此产生的分析模型可以考虑多个输入标准。在大学验收的情况下,该模型可以考虑学生成绩点平均,SAT分数和课外活动数量的因素。基于历史数据关于涉及相同的输入标准的早期结果,它可以评分新案例,以落入特定的结果类别。

逻辑回归的目的和例子

Logistic回归是二进制分类问题最常用的机器学习算法之一,这是两个类值的问题,包括诸如“这一点”之类的预测,“是或否”和“A或B”等预测

Logistic回归的目的是估计事件的概率,包括确定特征与特定结果的概率之间的关系。

当学生将通过或失败时,将学生作为特征提供的小时数和响应的变量有两个值:通过并失败时,这是一个例子。

组织可以使用来自逻辑回归输出的见解来增强他们的业务战略,这样他们就可以实现他们的业务目标,包括减少费用或损失和增加ROI.例如,在营销活动中。

一个电子商务邮寄昂贵的促销优惠的公司希望了解特定客户是否可能会回应提供的优惠。例如,他们想知道该消费者是否将是“响应者”或“非响应者”。在营销中,这被称为响应建模的倾向

同样,信用卡公司开发一个模型,以决定是否向客户发出信用卡,或者不会试图根据年收入,每月信用卡的特征来预测客户是否违约或不在信用卡上。付款和默认值。在银行业缩略力中,这被称为默认倾向建模

使用逻辑回归

Logistic回归在在线广告中特别受欢迎,使营销人员能够预测将点击特定广告的特定网站用户的可能性为是或否百分比。

Logistic回归也可用于:

  • 医疗保健,确定疾病的危险因素和计划预防措施。
  • 天气预报应用预测降雪和天气状况。
  • 投票应用程序确定选民是否会投票给特定候选人。
  • 保险预测政策持有人在政策期限基于某些标准期限到期之前将死亡的机会,例如性别,年龄和体检。
  • 银行预测贷款申请人违约的机会根据年收入,过去违约和过去的债务。

Logistic回归与线性回归

Logistic回归和线性回归之间的主要区别在于Logistic回归提供恒定的输出,而线性回归提供连续输出。

在Logistic回归中,诸如从属变量的结果仅具有有限数量的可能值。然而,在线性回归中,结果是连续的,这意味着它可以具有无限数量的可能值中的任何一种。

当响应变量为分类时使用逻辑回归,例如是/否,true / false和pass / fail。当响应变量是连续的,例如小时,高度和重量时,使用线性回归。

例如,在学生学习的时间和学生的考试分数,Logistic回归和线性回归可以预测不同的东西时,给定数据可以预测不同的东西。

使用Logistic回归预测,只允许特定的值或类别。因此,Logistic回归可以预测学生是否通过或失败。由于线性回归预测是连续的,例如范围内的数字,因此它可以预测学生的测试得分为0 -100的等级。

这是最后更新的2019年5月

继续阅读Logistic回归

深入了解预测分析

搜索数据管理
搜索AWS.
搜索内容管理
搜索甲骨文
搜索树液
搜索SQL.服务器
关闭