逻辑回归解决的是什么问题

逻辑回归原理的基本概念

1.什么是逻辑回归？

Logistic回归是这样一个过程:面对一个回归或分类问题，建立代价函数，然后通过***化方法迭代求解***的模型参数，然后对我们求解的模型的质量进行检验和验证。

Logistic回归其实是一种分类方法，虽然名字叫“回归”。主要用于两个分类问题(即只有两个输出，分别代表两个类别)。

在回归模型中，Y是一个定性变量，如y=0或1。logistic方法主要用于研究某些事件发生的概率。

2.逻辑回归的优点和缺点

优势:

1)速度快，适用于二分类问题。

2)简单易懂，直接看到每个特征的权重

3)模型可以容易地更新以吸收新数据。

缺点:

对数据和场景的适应性有限，不如决策树算法强。

3.逻辑回归和多元线性回归的区别

逻辑回归和多元线性回归其实有很多共同点。***的区别是它们的因变量不同，而其他的基本相同。因此，这两个回归可以属于同一个家族，即广义线性模型。

这个家族中的模型除了因变量不同之外，在形式上基本相似。这个家族中的模型除了因变量不同之外，在形式上基本相似。

如果是连续的，就是多元线性回归。

如果是二项分布，就是Logistic回归。

如果是泊松分布，就是泊松回归。

如果是负二项分布，就是负二项回归。

4.逻辑回归的使用

寻找危险因素:寻找某种疾病的危险因素等。；

预测:根据模型，预测不同自变量下某种疾病或情况发生的概率；

辨别:其实和预测差不多。也是基于模型来判断某人属于某种疾病或情况的概率，也就是看这个人属于某种疾病的可能性有多大。

5.回归的一般步骤

寻找H函数(即预测函数)

j函数(损失函数)

尝试最小化J函数，得到回归参数(θ)。

6.构造预测函数h(x)

1)逻辑函数(或Sigmoid函数)，其函数形式为:

_

_

对于线性边界的情况，边界形式如下:

_

训练数据是一个向量。

_

***参数

_

预测函数是:

_

函数h(x)的值具有特殊的含义，它表示结果为1的概率。因此，对于输入x，将结果分类到类别1和类别0的概率是:

p(y = 1│x；θ)=h_θ (x)

p(y = 0│x；θ)=1-h_θ (x)

7.构造损失函数J(m个样本，每个样本具有N个特征)

代价函数和J函数如下，基于极大似然估计导出。

_

8.损失函数的详细推导过程

1)找到成本函数

概率被组合并写成:

_

回答于 2022-09-06

多因素logistic回归分析步骤

步骤如下：

1、把自己需要分析的数据导入到SPSS，点击左上角的文件进行打开，选择弹出对话框中的数据。

2、点击工具栏上的分析，依次选择回归，然后选择“多项Logistic” 多元线性回归分析和logistic回归分析都可以的。

3、把变量依次移动到右侧的因变量、因子和协变量框内。

4、就可以在度量标准中看到度量数据。

5、再对多项逻辑回归的模型、统计量、条件、选项和保存进行设置。

6、点击确定，即可用SPSS把多因素Logistic回归分析做好。

多因素logistic回归是指包含的研究因素较多，如二项logistic回归、多项Logistic回归等。

回答于 2022-05-05

spss中的多元logistic回归中的协变量是什么意思

因子是分组的意思。logit回归就是将自变量拉入协变量里的。

logistic回归的因变量可以是二分类的，也可以是多分类的，但是二分类的更为常用，也更加容易解释，多类可以使用softmax方法进行处理。实际中最为常用的就是二分类的logistic回归。

发生概率除以没有发生概率再取对数。就是这个不太繁琐的变换改变了取值区间的矛盾和因变量自变量间的曲线关系。究其原因，是发生和未发生的概率成为了比值 ，这个比值就是一个缓冲，将取值范围扩大，再进行对数变换，整个因变量改变。

不仅如此，这种变换往往使得因变量和自变量之间呈线性关系，这是根据大量实践而总结。所以，Logistic回归从根本上解决因变量要不是连续变量怎么办的问题。还有，Logistic应用广泛的原因是许多现实问题跟它的模型吻合。例如一件事情是否发生跟其他数值型自变量的关系。

扩展资料

1、首先，导入测试数据到SPSS，点左上角：文件-打开-数据。

2、然后依次点击图示菜单栏上的分析-回归-多项Logistic。

3、接着，我们把左侧框内的变量拖入到右侧的因变量、因子和协变量框内。

4、需要注意区别因变量和协变量的区别，因子一般是分类变量（名义变量），协变量是连续性变量。在图示的度量标准中即可看到。

5、接着，依次设置多项逻辑回归的模型、统计量、条件、选项和保存。

6、设置好后，按下确定即可得到多项Logistic回归的模型汇总、检验信息等。

参考资料来源：百度百科-logistic回归

多元逻辑回归模型的应用误区

多元逻辑回归模型的应用误区

多元逻辑回归模型的理论前提相对判别分析法要宽松得多，且没有关于分布类型、协方差阵等方面的严格假定。不过，在大量运用多元逻辑回归的研究中往往忽视了另一个相当重要的问题，即模型自变量之间可能存在的多重共线性干扰。与其他多元回归方法一样，Logistic回归模型也对多元共线性敏感。

当变量之间的相关程度提高时，系数估计的标准误将会急剧增加；同时，系数对样本和模型设置都非常敏感，模型设置的微小变化、在同时，系数对样本和模型设置都非常敏感，模型设置的微小变化、在样本总体中加入或删除案例等变动，都会导致系数估计的较大变化。

由于财务比率均由具有相互钩稽关系的财务报表计算得出，同类指标之间的相关程度是非常大的，不加处理地让这些高度相关的变量直接进入模型必然会导致严重的多重共线性干扰。令人遗憾的是，国内外大多数相关研究都没有意识到这一问题，由此得出的判别模型，其稳定性和准确性显然不容乐观。

多元Logistic回归是什么意思？

多元Logistic回归，就是自变量在两个以上，因变量的取值范围不受限制的Logistic回归。都是用统计样本来寻找因变量和自变量之间函数关系的一个统计方法。

多元Logistic回归属于多元回归中的一种，只是它的数学关系属于非线性的，能更好的反应非线性变量之间的关系。

多元逻辑回归的假设是什么

多元逻辑回归是一种统计分析方法，常用来预测一个二元或多元离散变量（称为输出变量）的取值，根据解释变量（称为输入变量）的取值。

在多元逻辑回归中，假设满足如下条件：

输出变量是一个离散变量，取值为 0 或 1。

输入变量可以是连续变量或离散变量。

输出变量与输入变量之间存在线性关系。

对于同一组输入变量的不同取值，输出变量的概率是独立的。

多元逻辑回归模型假设输出变量与输入变量之间存在线性关系，这意味着每个输入变量的权重是固定的，与其他输入变量无关。在进行多元逻辑回归分析时，需要对这些假设进行检验，确保它们在当前数据集中是成立的。

关于多元逻辑回归和多元逻辑回归模型公式的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。