Différence entre la régression linéaire et logistique

Régression linéaire vs logistique

En analyse statistique, il est important d'identifier les relations entre les variables concernées à l'étude. Parfois, c'est le seul but de l'analyse elle-même. Un outil fort utilisé pour établir l'existence d'une relation et identifier la relation est l'analyse de régression.

La forme la plus simple d'analyse de régression est la régression linéaire, où la relation entre les variables est une relation linéaire. En termes statistiques, il fait ressortir la relation entre la variable explicative et la variable de réponse. Par exemple, en utilisant la régression, nous pouvons établir la relation entre le prix des produits de base et la consommation basée sur les données collectées à partir d'un échantillon aléatoire. L'analyse de régression produira une fonction de régression de l'ensemble de données, qui est un modèle mathématique qui correspond le mieux aux données disponibles. Cela peut facilement être représenté par un tracé de dispersion. La régression graphique est équivalente à trouver la courbe la mieux ajustée pour l'ensemble de données donné. La fonction de la courbe est la fonction de régression. En utilisant le modèle mathématique, l'utilisation d'une marchandise peut être prédite à un prix donné.

Par conséquent, l'analyse de régression est largement utilisée pour prédire et prévoir. Il est également utilisé pour établir les relations dans les données expérimentales, dans les domaines de la physique, de la chimie et dans de nombreuses sciences naturelles et disciplines d'ingénierie. Si la relation ou la fonction de régression est une fonction linéaire, alors le processus est connu comme une régression linéaire. Dans le tracé de dispersion, il peut être représenté comme une ligne droite. Si la fonction n'est pas une combinaison linéaire des paramètres, alors la régression est non linéaire.

La régression logistique est comparable à la régression multivariée, et il crée un modèle pour expliquer l'impact de plusieurs prédicteurs sur une variable de réponse. Cependant, dans la régression logistique, la variable de résultat final doit être catégorique (généralement divisé; i.e., Une paire de résultats réalisables, comme la mort ou la survie, bien que des techniques spéciales permettent de modéliser des informations plus catégorisées). Une variable de résultat continue peut être transformée en une variable catégorique, à utiliser pour la régression logistique; Cependant, l'effondrement des variables continues de cette manière est principalement découragée car elle réduit la précision.

Contrairement à la régression linéaire, vers la bonne. En conséquence, la relation entre le prédicteur et les variables de résultat est susceptible d'être une fonction linéaire.

Quelle est la différence entre la régression logistique et linéaire?

• En régression linéaire, une relation linéaire entre la variable explicative et la variable de réponse est supposée et les paramètres satisfaisant le modèle sont trouvés par analyse, pour donner la relation exacte.

• La régression linéaire est effectuée pour les variables quantitatives, et la fonction résultante est une.

• Dans la régression logistique, les données utilisées peuvent être catégorielles ou quantitatives, mais le résultat est toujours catégorique.