Ki találta fel a logisztikus regressziót?
Pontszám: 4,8/5 ( 6 szavazat )A logisztikus regressziót mint általános statisztikai modellt eredetileg elsősorban Joseph Berkson fejlesztette ki és népszerűsítette, kezdve Berkson (1944) harvtxt error: nincs célpont: CITEREFBerkson1944 (súgó), ahol ő alkotta meg a "logit"-ot; lásd § Történelem.
Ki találta fel a logisztikai funkciót?
A logisztikai függvényt Pierre François Verhulst három cikkből álló sorozatban vezette be 1838 és 1847 között, aki a népességnövekedés modelljeként dolgozta ki az exponenciális növekedési modell kiigazításával, Adolphe Quetelet irányítása alatt.
A logisztikus regresszió mesterséges intelligencia?
A logisztikai regresszió egy másik technika, amelyet a gépi tanulás kölcsönzött a statisztika területéről. Ez a módszer a bináris osztályozási problémák (két osztályértékkel kapcsolatos problémák) kezelésére.
A logisztikus regresszió regressziós modell?
A közhiedelemmel ellentétben a logisztikus regresszió egy regressziós modell . A modell egy regressziós modellt épít fel annak előrejelzésére, hogy egy adott adatbevitel mekkora valószínűséggel tartozik az „1” számozású kategóriába.
Miért nevezik a logisztikus regressziót regressziónak?
A logisztikai regresszió az egyik alapvető és népszerű algoritmus az osztályozási problémák megoldására. „Logisztikus regressziónak” nevezték, mert a mögöttes technikája teljesen megegyezik a lineáris regresszióval . A „logisztikai” kifejezés az ebben az osztályozási módszerben használt Logit függvényből származik.
StatQuest: Logisztikai regresszió
Miért jobb a logisztikai regresszió?
A logisztikus regresszió könnyebben megvalósítható, értelmezhető, és nagyon hatékonyan tanítható . Ha a megfigyelések száma kevesebb, mint a jellemzők száma, a logisztikai regressziót nem szabad használni, ellenkező esetben túlillesztéshez vezethet. Nem tesz feltételezéseket az osztályok eloszlásáról a jellemzőtérben.
Miért nevezik logisztikai függvénynek?
A logisztika a görög logikos (számítógépes) szóból származik . Az 1700-as években a logaritmus és a logisztika szinonimák voltak. Mivel számításokra van szükség ahhoz, hogy megjósolják a hadseregnek szükséges ellátmányt, a logisztikát a csapatok mozgatására és ellátására is használják.
Melyik módszer felel meg a legjobban a logisztikus regressziós modellnek?
Csakúgy, mint a közönséges legkisebb négyzetes regresszió a lineáris regresszió legjobb illeszkedési vonalának együtthatóinak becslésére használt módszer, a logisztikus regresszió a maximális valószínűség becslését (MLE) használja a modell együtthatóinak meghatározásához, amelyek a prediktorokat a célhoz kapcsolják.
Hogyan magyarázza a logisztikus regressziót az interjúban?
A logisztikai regresszió gondolata az, hogy kapcsolatot találjunk a jellemzők és az adott eredmény valószínűsége között . Pl. Ha meg kell jósolnunk, hogy egy hallgató sikeres vagy bukott-e egy vizsgán, ha jellemzőként a tanulással eltöltött órák számát adjuk meg, a válaszváltozónak két értéke van, sikeres és sikertelen.
Hogyan történik a logisztikus regresszió kiszámítása?
- Y = B0 + B1*X. A lineáris regresszióban az Y kimenet ugyanabban az egységben van, mint a célváltozó (az a dolog, amit meg akarsz jósolni). ...
- Odds = P(esemény) / [1-P(esemény)] ...
- Odds = 0,70 / (1–0,70) = 2,333.
Hol alkalmazzák a logisztikus regressziót?
Mikor kell alkalmazni a logisztikus regressziót? Logisztikus regressziót alkalmazunk a kategorikus függő változó előrejelzésére. Más szavakkal, akkor használatos, ha az előrejelzés kategorikus , például igen vagy nem, igaz vagy hamis, 0 vagy 1.
Mi a logisztikus regresszió az ML-ben?
A logisztikus regresszió egy felügyelt tanulási osztályozási algoritmus, amelyet egy célváltozó valószínűségének előrejelzésére használnak . ... Ez az egyik legegyszerűbb ML algoritmus, amely különféle osztályozási problémákra használható, mint például a spam észlelése, a cukorbetegség előrejelzése, a rák kimutatása stb.
Mi a jó pontosság a logisztikus regresszióhoz?
A Sklearn rendelkezik egy cross_val_score objektummal, amely lehetővé teszi számunkra, hogy megnézzük, milyen jól általánosít a modellünk. Tehát a pontosságunk tartománya 0,62 és 0,75 között van, de átlagosan 0,7 .
Mi a logisztikai funkció tartománya?
A logisztikai regresszió (a továbbiakban: LogR ebben a cikkben) előrejelzései egy esemény bekövetkezésének valószínűsége, azaz az y=1 valószínűsége, adott x bemeneti változók bizonyos értékei mellett. Így a LogR eredményei 0-1 között mozognak.
Mi az r a logisztikai növekedésben?
A logisztikai növekedést matematikai egyenletként is tekinthetjük. A populáció növekedési ütemét a populáció egyedeinek számában mérik (N) az idő függvényében (t). ... K a teherbíró képességet jelöli, r pedig az egy főre jutó maximális növekedési rátát egy populációra vonatkozóan .
Mit jelent B a logisztikai egyenletben?
c a teherbíró képesség vagy határérték . b a növekedés üteme által meghatározott állandó.
Melyek a logisztikus regresszió feltételezései?
A logisztikus regresszióhoz teljesítendő alapvető feltevések közé tartozik a hibák függetlensége, a folytonos változók logitjának linearitása, a multikollinearitás hiánya és az erősen befolyásoló kiugró értékek hiánya .
Mi a különbség a lineáris regresszió és a logisztikus regresszió között?
A Linear Regression lineáris függvényt használ a bemeneti változók folyamatos válasz/függő változókra való leképezésére. ... A Logistic Regression logisztikai függvényt használ a bemeneti változók kategorikus válasz/függő változókra való leképezésére. A lineáris regresszióval ellentétben a logisztikai regresszió 0 és 1 közötti valószínűséget ad ki .
Melyik technikán nem alkalmazható az erősítés?
túlillesztés, mint az AdaBoost Boosting technikák általában alacsony torzítással és nagy szórással rendelkeznek. Az alapvető lineáris regressziós osztályozók esetében nincs hatása a Gradient Boosting használatának.
Honnan tudhatja, hogy a logisztikai regresszió megfelelő-e?
A nagyobb érzékenység és specifitás a modell jobb illeszkedését jelzi. A fenti két-két táblázatötlet kibővítésével egyetlen határérték kiválasztása helyett a teljes határérték-tartományt vizsgálhatjuk 0-tól 1-ig.
Honnan tudhatom, hogy megfelelő-e a modellem?
Általában egy modell jól illeszkedik az adatokhoz, ha a megfigyelt értékek és a modell előrejelzett értékei közötti különbség kicsi és torzítatlan . Mielőtt megvizsgálná az illeszkedés statisztikai mértékeit, ellenőrizze a maradék diagramokat.
Melyek a logisztikus regresszió típusai?
- Bináris logisztikus regresszió az R...
- Multinomiális logisztikus regresszió. ...
- Ordinális logisztikus regresszió.
Miért nem nevezik a logisztikus regressziót logisztikai osztályozásnak?
4 válasz. A logisztikus regresszió határozottan nem egy osztályozási algoritmus önmagában . Csak egy osztályozási algoritmus egy döntési szabállyal kombinálva, amely dichotómizálja az eredmény előre jelzett valószínűségét.
Mikor érdemes logisztikus regressziót alkalmazni?
A logisztikai regressziót akkor használjuk , ha a függő változó(cél) kategorikus . Például annak előrejelzése, hogy egy e-mail spam-e (1) vagy (0) hogy a daganat rosszindulatú-e (1) vagy sem (0)
Lineáris vagy logisztikus regressziót használjak?
A lineáris regressziót a regressziós problémák kezelésére, míg a logisztikus regressziót az osztályozási problémák kezelésére használják. A lineáris regresszió folyamatos, a logisztikus regresszió viszont diszkrét kimenetet biztosít.