精华内容
下载资源
问答
  • 前面,我们讲了logistic回归,单因素logistic回归分析。今天,我们来讲解一个数据分析的全过程,即所谓的单因素和因素分析。案例:分析有生育障碍的妇女进行注射HCG后卵巢反应的影响因素,研究收集的参与者数据有...

    0e8edc6dc465ba7c55762545c1208259.png

    前面,我们讲了logistic回归,单因素logistic回归分析。今天,我们来讲解一个数据分析的全过程,即所谓的单因素和多因素分析。

    案例:

    分析有生育障碍的妇女进行注射HCG后卵巢反应的影响因素,研究收集的参与者数据有高反应和正常反应共336名。按照传统的统计学分析方法,先单因素分析再多因素分析,此处涉及数据隐私,仅放部分数据。

    b6a11d976e95ea54c44e531e6e12c8dc.png

    [分析]

    以卵巢反应为分组变量,分析的因素有:年龄、吸烟史、不孕类型、妊娠史、BMI、初潮年龄、平均月经周期、不孕持续时间、窦卵泡计数、黄体生成素、MC3雌二醇、MC3孕酮、MC3卵泡刺激素、卵巢反应其中吸烟史、不孕类型和妊娠史为分类资料,其他为连续型资料。

    1 单因素分析

    连续型资料按资料的分布采用t检验或秩和检验,分类资料按数据的类型有卡方检验、秩和检验和秩相关等,详见列联表详解。此研究数据均为无序分类资料,因此仅采用卡方检验或fisher检验即可。

    1.1 对连续的数据进行正态检验,正态的数据采用t检验,偏态的数据采用秩和检验

    8a772268b8c786a3c90e264eeba0be2e.png

    1.2 对分类的资料进行卡方检验

    e6f14bb5db98801b5e2d85161ad41861.png

    注:“-”为采用fisher检验

    2 多因素分析

    6d65bd1b3dbec5f3f2f898c69fb22b1c.png

    可以看出,当因素分析时,仅窦卵泡计数有模型,有统计学意义。因此,我们可以选择换一种回归方式进行logistic回归,此处选择逐步回归(因为只进入了一个因素,因此无论是逐步,向前或向后等方法,结果是一样)。

    0d0adb19d55b726b85b2e86dfd2622c0.png

    解释为,窦卵泡每增加一个,发生卵巢高反应的可能增加0.898倍(OR=1.898,95%CI:1.655-2.176)。

    今天就分析到这里,我们下期再见!

    — THE END —

    f95822eb17c1a382957b7fdcefcb1f00.png
    展开全文
  • 结合实际情况,可以将Logistic回归分析分为3类,分别是二元Logistic回归分析、多元有序Logistic回归分析和多元无序Logistic回归分析,如下图。Logistic回归分析用于研究X对Y的影响,并且对X的数据类型没有要求,X...

    633f7394e8dcf2cd5518b3dcc805a730.png

    在研究X对于Y的影响时,如果Y为定量数据,那么使用多元线性回归分析(SPSSAU通用方法里面的线性回归);如果Y为定类数据,那么使用Logistic回归分析。

    结合实际情况,可以将Logistic回归分析分为3类,分别是二元Logistic回归分析、多元有序Logistic回归分析和多元无序Logistic回归分析,如下图。

    214bfceeb03053a8a7ae147d2c1005d9.png

    Logistic回归分析用于研究X对Y的影响,并且对X的数据类型没有要求,X可以为定类数据,也可以为定量数据,但要求Y必须为定类数据,并且根据Y的选项数,使用相应的数据分析方法。

    本次内容将针对二元logistic(logit)回归进行说明,后续两篇文章将分别讲解有序logistic(logit)和多分类logistic(logit)回归。

    1、二元logistic分析思路说明

    在进行二元Logistic回归分析时,通常会涉及3个步骤,分别是数据处理、卡方分析和影响关系研究,如下图。

    d71835df14d0c897a637a3589c999584.png

    1.1 第一步为数据处理

    例如,在研究相关因素对样本将来是否愿意购买理财产品的影响情况时,性别,专业等均为影响因素,而且明显的,性别和专业属于定类数据,因此需要进行虚拟哑变量设置,可使用【数据处理->生成变量】完成。

    除此之外,二元logistic回归要求因变量只能为2项,而且数字一定是0和1,数字1表示YES,愿意,购买,患病等,数字0表示no,不愿意,不购买,不患病等。如果不是这样,那么就需要针对因变量Y进行数据编码,使用【数据处理->数据编码】即可完成。

    1.2 第二步为卡方分析或方差分析

    此步不是必需的步骤,通过此步可以试探性了解每个影响因素X与Y之间的影响关系情况,研究影响关系前,首先需要自变量X与Y之间有着差异关系,才可能进一步有着影响关系,也或者说差异关系是一种基础性关系,影响关系是更进一步的深层次关系。所以在进行二元logistic回归分析前,可先对X做差异分析,筛选出与Y有着差异性的X。

    如果X是定类数据,那么就使用卡方分析去分析差异;如果说X是定量数据,那么可使用方差分析去研究X和Y的差异性。

    分析完成X与Y的差异关系之后,筛选出有差异的X,然后再放入模型中,进行二元logistic回归;这样做的目的有两个,一是简化模型,越简单的模型越容易拟合且效果越好;二是做到心里有数,提前了解到数据之间的大致关系情况。

    1.3 第三步为影响关系分析,即二元Logistic回归分析

    在上一步确认了可能的影响因素之后,此步骤直接对题进行二元Logistic回归分析。二元Logistic回归分析时,首先需要看某个题是否呈现出显著性(如果P值小于0.05,则说明呈现出0.05水平的显著性;如果P值小于0.01,则说明呈现出0.01水平的显著性),如果呈现出显著性,那么说明该题对Y有影响关系。具体是正向影响还是负向影响需要结合对应的回归系数值进行说明,如果回归系数值大于0,则说明是正向影响;反之则说明是负向影响。

    除此之外,二元Logistic回归分析会涉及一个术语——对数比(SPSSAU中称其为OR值)。对数比是一个倍数概念指标,该值等于回归系数的指数次方,也称exp(b)值。例如,研究相关因素对样本‘是否购买理财产品’的影响,性别因素呈现出显著性,并且性别以女性为对照项,其对数比(OR值)为1.34,这说明男性样本购买理财产品的可能性是女性样本的1.34倍。

    二元Logistic回归分析模型的拟合情况或模型效果的判断会涉及3个指标,分别是Hosmer和Lemeshow检验、R2值和模型预测准确率表格。Hosmer和Lemeshow检验用于检验事实数据情况与模型拟合结果是否保持一致,如果在进行Hosmer和Lemeshow检验时P值大于0.05,那么说明事实数据情况与模型拟合结果保持一致,即说明模型拟合情况良好。

    R2用于表示模型拟合程度,此值与多元线性回归分析的R2值意义基本一致,此值的取值范围为0~1,值越大意味着相关因素对Y的解释力度越高。SPSSAU提供3个R方值指标,分别是McFadden R 方、Cox & Snell R 方和Nagelkerke R 方。

    除此之外,SPSSAU还会输出模型预测准确率表格,用于分析模型的预测水平情况。比如有多大比例将本身为愿意购买理财产品的样本误判断为不愿意购买理财产品的样本。

    2、如何使用SPSSAU进行二元logistic操作

    在进行二元logistic回归分析时,共分为三个步骤,第1步是数据处理。第二步是进行卡方或者方差分析试控X对于Y的差异,找出有差异关系的X,用于进一步的二元logistic回归分析。

    2.1 数据处理

    如果X是定类数据,比如性别或专业。那么就需要首先对它们做虚拟哑变量处理,使用SPSSAU【数据处理】--【生成变量】。操作如下图:

    990cc99cda21064948d3607840deff11.png

    因变量Y只能包括数字0和1,如果因变量的原始数据不是这样,那么就需要数据编码,设置成0和1,使用SPSSAU数据处理->数据编码功能,操作如下图:

    4b6238a54df73a6b85e662c6f32d68bf.png

    2.2 卡方分析或方差分析

    本例子中想研究性别,专业,年龄,月生活费共4项对于‘是否愿意理财’的影响。性别,专业这两项为定类数据,所以可使用卡方分析它们分别与‘是否愿意理财’的差异关系。而年龄和月生活费可看成定量数据,可使用方差分析(或非参数检验)分析它们分别与‘是否愿意理财’的差异关系情况。

    由于例子里面仅4个X,本身就较少,因此模型本身并不复杂,因此直接忽略此步骤即可,直接进行二元logistic回归分析。

    2.3 二元logistic回归分析

    SPSSAU进行二元logistic回归分两步,分别是在进阶方法里面找到二元logit,第二是拖拽分析项到右我们就是右侧框后开始分析,如下所示:

    899a576d8304de35e03ba79ed69cfa9f.png

    cddc7d7578ef8dba2db5b1c0747f9497.png

    性别和专业均为定类数据,所以进行了虚拟哑变量设置。

    而且性别分为男和女,以女作为参照项,因此框中仅放入‘男’即可;

    专业分为理工类,文科类,艺术类和,体育类;以体育类作为参照项,因此框中会少放体育类,放入另外3项即理工类,文科类和艺术类即可。

    虚拟哑变量在进行影响关系研究时,一定需要有1个参照项,至于具体是哪一项,由研究者自行决定即可,无固定要求,一般是第1个或者最后1个,或者研究者希望设置作为参考项的。

    完成后,SPSSAU会得到一系列的表格和智能分析,包括模型基本汇总表格,模型似然比检验表格,模型参数拟合表格,模型预测准确率表格,Hosmer-Lemeshow拟合度检验等。如下:

    dd67d9a5ab53dae14d48dd4cd055d3bb.png

    二元logit回归分析基本汇总

    5d45a5f4dd910018a28304d2321dd4ff.png

    二元logit回归模型似然比检验结果

    b037e0909dd33c15daf1b76dc52ac20b.png

    二元logit回归结果分析

    d72d9bdb90ae83e59b997e1648b36848.png

    二元logit回归预测准确率表格

    e22b8fc824ea3ed8a8a3f3bdbb9850c9.png

    Hosmer-Lemeshow拟合度检验 

    3、二元logistic相关问题

    在使用SPSSSAU进行二元logistic回归时,可能会出现一些问题,比如提示奇异矩阵,质量异常,Y值只能为0或1等,接下来一一说明。

    6ebf1701cff86e618eeb557a0f324b87.png

    第1点:出现奇异矩阵或质量异常

    如果做二元logistic提示奇异矩阵,通常有两个原因,一是虚拟哑变量设置后,本应该少放1项作为参考项但是并没有,而是把所有的哑变量项都放入框中,这会导致绝对的共线性问题即会出现奇异矩阵矩阵。二是X之间有着太强的共线性(可使用通用方法的线性回归查看下VIF值),此时也可能导致模型无法拟合等。先找出原因,然后把有问题的项移出模型中即可。

    同时,如果自变量X的分布极其不均匀,SPSSAU建议可先对类别进行组合,可使用数据处理里面的数据编码完成。

    第2点:Y值只能为0或1

    二元logistic回归研究X对Y的影响,Y为两个类别,比如是否愿意,是否喜欢,是否患病等,数字一定有且仅为2个,分别是0和1。如果不是这样就会出现此类提示,可使用SPSSAU频数分析进行检查,并且使用数据处理->数据编码功能进行处理成0和1。

    第3点:OR值的意义

    OR值=exp(b)值,即回归系数的指数次方,该值在医学研究里面使用较多,实际意义是X增加1个单位时,Y的增加幅度。如果仅仅是研究影响关系,该值意义较小。

    第4点: wald值或z值

    z 值=回归系数/标准误,该值为中间过程值无意义,只需要看p 值即可。有的软件会提供wald值(但不提供z 值,该值也无实际意义),wald值= z 值的平方。

    第5点: McFadden R 方、Cox & Snell R 方和Nagelkerke R 方相关问题?

    Logit回归时会提供此3个R 方值(分别是McFadden R 方、Cox & Snell R 方和Nagelkerke R 方),此3个R 方均为伪R 方值,其值越大越好,但其无法非常有效的表达模型的拟合程度,意义相对交小,而且多数情况此3个指标值均会特别小,研究人员不用过分关注于此3个指标值。一般报告其中任意一个R方值指标即可。

    展开全文
  • 多因素Logistic回归分析结果表明,穿刺次数,定位方法和维持频率是肿瘤患者外周置入中心导管相关血流感染的危险因素,风险几率分别为8.762、9.253和10.324。 结论:对于植入外周中心导管的肿瘤患者,在严格的无菌...
  • 手足口病患儿并发脑膜炎危险因素Logistic回归分析
  • 医院医疗器械相关血液感染危险因素Logistic回归分析.pdf
  • 应用SPSS软件进行分类Logistic回归分析
  • 临度简单讲解了基础统计的知识,如:两组定量资料的分析思路之t检验组样本比较之方差分析 列联表之卡方检验之后介绍了logistic回归,如:统计分析之logistic回归单因素logistic回归分析案例因素logistic回归案例...

    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)。

    b7b9e90fa4d1126baef1091a0fa52b3a.png

    8c24fb3a564cfdd331e83585f179a08e.png

    257776ede8449ad9be0315aab67989c9.png

    结果X1-X4均有统计学意义,可建模分析。

    *如果您的数据没差异,可选择一种回归方式筛选变量,之后在进行建模。

    ad01b5dc779734ff13cc8ed139896a88.png

    3d6c24c77f19b8b73f70e30c34aad11f.png

    结果知:mcnemar检验P>0.05,说明实际的结局分布和预测的结局分布差异无统计学意义,可用于预测。

    476e7e4cb3fee328649d76e5e44f66eb.png

    77958b392badfa9be69a335ed7bd2387.png

    结果同上,只是思路不一样而已。

    d3711059fdde4bd80e712476a415b271.png

    b72e5c4c25f0d95a2646bd3a9e949fce.png

    结果同上:mcnemar检验P>0.05,说明实际的结局分布和预测的结局分布差异无统计学意义,可用于预测。

    最终的预测模型为:

    03912fcc8abb53b4c7621d2c828efb8b.png

    69040d5e4ba57832a59557835b9d7c97.png

    大家可能会觉得OR都<1,结果不太好去解释,那就把参照换掉。

    160370b88c2442182b8fbb1b241d1303.png

    5ee095a5a0d601d1fa830fbdaf4c8f0f.png

    695a06b80cbadd7486c7ab37c5615121.png

    好了,本期讲解到此结束,欢迎关注哦,我们下期再见~

    — THE END —

    展开全文
  • 电子信息类专业大学生高质量就业影响因素Logistic回归分析.pdf
  • logistic回归分析影响公共交通工具的因素.doc
  • logistic回归分析及SAS实现医学研究中的logistic回归分析及SAS实现
  • 社区卫生服务机构市场导向的测量及影响因素Logistic回归分析,张薇,曹德品,目的:基于非营利组织市场导向量表开发出社区卫生服务机构的市场导向测评量表并检验其影响因素。方法:采用问卷调查法收集数据,
  • 在医学研究中,为了控制一些重要的混杂因素,经常会把病例和对照按年龄,性别等条件进行配对,...病历对照研究或者倾向得分匹配研究(一种将研究数据处理成‘随机对照实验数据’的方法)中常使用条件Logistic回归进...

    2df63af823b4bec51c4718e76917624b.png

    在医学研究中,为了控制一些重要的混杂因素,经常会把病例和对照按年龄,性别等条件进行配对,形成多个匹配组。各匹配组的病例数和对照人数是任意的,比如一个病例和若干个对照匹配即1:1,在医学上称作“1:1病历对照研究”,常见还有1:M(M <=3),即1个病例和1或2或3个对照匹配。

    病历对照研究或者倾向得分匹配研究(一种将研究数据处理成‘随机对照实验数据’的方法)中常使用条件Logistic回归进行分析。其与普通的二元logistic回归区别在于,多出配对ID,即将配对组纳入考虑范畴。

    1、案例背景

    某北方城市研究喉癌发病的危险因素,使用1:2匹配的病例对照研究方法进行调查。共有25对配对数据(每对3个,即25*3=75行数据)。现研究两个影响因素分别是:是否吸烟和是否有癌症家族史。数据格式(部分)如下表:

    b6c40073900ab04f6e43f7e56ee2210a.png

    提示:

    条件logistic回归时,数据中一定需要记录配对编号,比如1:2的配对(1个病例配对2个对照,且共有20个组,组别编号从1到20,那么同时会有3个1,3个2,3个3,类似下去),而且在分析时将配对编号放入对应框中。

    配对编号ID:共有25对配对,编号从1~25,每个数字会重复3次(分别对应病例或对照组);

    Y是否患喉癌:数字1表示病例组即患喉癌,数字0表示对照组即没有患喉癌;

    X1是否吸烟:数字1表示吸烟,数字0表示不吸烟;

    X2癌症家族史:数字1表示有家族患喉癌史,数字0表示没有家族患喉癌史。

    在做条件logistic回归时,因变量只能为0和1二分类数据。数字中只能包括0和1,如果不是,可使用[数据处理]->[数据编码]进行设置。

    354cdeef87138e6f69e9b6116657b861.png

    2、操作

    本例子操作截图如下:

    ac48edba2f4c5199d89c006c86259558.png

    3、结果分析

    SPSSAU共输出三个表格,分别是:“条件logit回归模型似然比检验结果”,“条件logit回归模型分析结果汇总”,“条件logit回归模型分析结果汇总”。

    第一个表格:条件logit回归模型似然比检验结果

    模型似然比检验,用于分析模型是否有效;

    77c52d12b98dc5f22deb70f039c1d23b.png

    在分析上,首先需要模型通过似然比检验,其原定假设为不加入X和加入X模型无明显差异,如果对应的p值小于0.05,意味着拒绝原假设,也即说明模型有意义。

    从上表可知:此处模型检验的原定假设为:是否放入自变量(X1是否吸烟, X2癌症家族史)两种情况时模型质量均一样;从上表可知,模型拒绝原定假设(chi=6.319,p=0.042 <0.05),即说明本次构建模型时,放入的自变量具有有效性,本次模型构建有意义。

    第二个表格:条件logit回归模型分析结果汇总

    包括模型的回归系数,R方值等数据;

    80c14285881af3974a511aa81392fa95.png

    从上表可知:模型McFadden R方值为0.115,意味着是否吸烟, 癌症家族史共2项可解释是否患喉癌的11.5%原因。

    具体来看:X1是否吸烟的回归系数值为1.243,并且呈现出0.05水平的显著性(z=2.322,p=0.020 <0.05),意味着X1是否吸烟会对Y是否患喉癌产生显著的正向影响关系。以及 (RR值,exp(b)值)为3.465(95% CI:1.214~9.892),意味着相对不吸烟群体,吸烟群体患喉癌的风险倍数会加大3.465倍。

    X2癌症家族史的回归系数值为-0.184,但是并没有呈现出显著性(z=-0.365,p=0.715>0.05),意味着是否有癌症家族史并不会对患喉癌产生影响。

    4、总结

    分析过程涉及以下几个关键点:

    (1)条件logistic回归时,数据中一定需要记录下配对编号,比如1:2的配对(1个病例配对2个对照,且共有20个组,组别编号从1到20,那么同时会有3个1,3个2,3个3,类似下去),而且在分析时将配对编号放入对应框中。

    (2)条件logistic回归时,因变量只能为0和1二分类数据,数字中只能包括0和1,如果不是,可使用数据处理->数据编码进行设置。

    展开全文
  • 分类变量logistic回归分析--1

    千次阅读 2020-09-23 22:58:49
    2. 分类logistic回归分析 因变量(y变量)是分类的,包括无序和有序的。 无序的类别因变量:对应无序分类logistic回归模型 有序的类别因变量:有序分类logistic回归模型 2.1 无序分类logistic回归...
  • spss logistic回归分析结果如何分析

    千次阅读 2016-12-17 16:24:00
    logistic回归分析结果如何分析 如何用spss17.0进行二元和多元logistic回归分析 一、二元logistic回归分析 二元logistic回归分析的前提为因变量是可以转化为0、1的二分变量,如:死亡或者生存,男性或者女性,有或...
  • Logistic回归分析简介

    2016-11-21 09:16:00
    Logistic回归:实际上属于判别分析,因拥有很差的判别效率而不常用。 1. 应用范围: ① 适用于流行病学资料的危险因素分析 ② 实验室中药物的剂量-反应关系 ③ 临床试验评价 ④ 疾病的预后因素分析 2. ...
  • 为对矿井底板突水进行预测,采用结合主成分分析法和logistic回归分析法的分析模型.利用主成分分析法对突水主控因素进行降维处理得到主成分,并计算出主成分在样本中的得分值;应用logistic回归分析法对确定好的主成分...
  • logistic 回归分析

    万次阅读 2018-04-28 20:53:28
    参考: http://blog.sina.com.cn/s/blog_7147f6870102vxwj.html http://chen.yi.bo.blog.163.com/blog/static/150621109201010301321654/ http://beader.me/2014/05/03/logistic-regression/ log...
  • 方法:采用神经精神问卷(NPI-Q)知情者版,对60名社区初筛为MCI老年人的家属进行调查,根据回收到的有效数据分析MCI老年人精神行为症状的发生情况并研究其影响因素,以期为今后对MCI精神行为症状的预防和干预提供依据...
  • 作者:牟海燕 封面:自己想吧文献概要本篇文献采用自编一般情况调查表及焦虑自评量表(SAS)对某医院100个糖尿病前期患者进行了调查,根据SAS得分将100个患者分为焦虑组(...,了解糖尿病前期患者焦虑现状、分析影响因素...
  • 影响关系研究是所有研究中最为常见的。...如果Y为定类数据,研究影响关系,正确做法是选择Logistic回归分析。01. 概念Logistic回归分析也用于研究影响关系,即X对于Y的影响情况。Y为定类数据,X可以是...
  • R语言——一秒Logistic回归分析

    千次阅读 2019-02-21 12:58:37
    R语言——一秒Logistic回归分析话不说,盘它代码:问题区: 话不说,盘它 代码: // 小龙虾:简易Logistic回归共享分析 // 直接复制进R.Studio,编译即可 # Read in Data # myfile&lt;-read.csv(file....
  • logistic回归

    2018-05-27 00:04:51
    logistic回归又称logistic回归分析,是一种广义的线性...然后通过logistic回归分析,可以得到自变量的权重,从而可以大致了解到底哪些因素是胃癌的危险因素。同时根据该权值可以根据危险因素预测一个人患癌症的可能性。
  • 一文掌握分类logistic回归

    千次阅读 2020-08-21 11:55:28
    Logistic回归分析(logit回归)一般可分为3类,分别是二元Logistic回归分析分类Logistic回归分析和有序Logistic回归分析logistic回归分析类型如下所示。 Logistic回归分析用于研究X对Y的影响,并且对X的...
  • logistic回归又称logistic回归分析,是一种广义的线性回归分析模型,常用于数据挖掘,疾病自动诊断,经济预测等领域。例如,探讨引发疾病的危险因素,并根据危险因素预测疾病发生的概率等。 二元logistic回归在临床...
  • Logistic回归 logistic回归主要用来预测离散因变量(分类因变量)与一组解释变量(自变量)之间的关系。最常用的是二分类logistic,即因变量的取值只包含两个类别,例如:“好”和“坏” ;“发生”和“不发生”。...
  • SAS Logistic回归分析.doc

    2020-12-30 13:12:22
    SAS练习题
  • 作者:朱驰单位:上海市东方医院南院检验科上一篇《超实用干货—检验人最常用的统计学分析方法梳理(一)》我们简单梳理了常用的比较分析的统计...今天我们就来梳理一下SPSS作logistic回归分析。在做logistic回归分...
  • logistic回归又称logistic回归分析,是一种广义的线性回归分析模型,常用于数据挖掘,疾病自动诊断,经济预测等领域。 logistic回归的因变量可以是二分类的,也可以是分类的,但是二分类的更为常用,也更加容易...
  • Logistic回归是机器学习从统计学领域的一种技术。它是用一个或个解释变量对二项式结果进行建模的一种强大的统计方法。它通过使用逻辑函数估计概率来衡量分类因变量和一个或个自变量之间的关系,这就是逻辑分布。...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 5,444
精华内容 2,177
关键字:

多因素logistic回归分析