Perbezaan Antara Regresi Linear dan Logistik

Regresi Logik Linear vs

Dalam analisis statistik, adalah penting untuk mengenal pasti hubungan antara pembolehubah yang berkenaan dengan kajian ini. Kadang-kadang ia mungkin satu-satunya tujuan analisis itu sendiri. Satu alat yang kuat digunakan untuk mewujudkan kewujudan hubungan dan mengenal pasti hubungannya ialah analisis regresi.

Bentuk regresi yang paling sederhana adalah regresi linear, di mana hubungan antara pembolehubah adalah hubungan linear. Dalam istilah statistik, ia membawa hubungan antara pemboleh ubah penjelasan dan pembolehubah tindak balas. Sebagai contoh, dengan menggunakan regresi, kita dapat mewujudkan hubungan antara harga komoditi dengan penggunaan berdasarkan data yang dikumpulkan dari sampel rawak. Analisis regresi akan menghasilkan fungsi regresi set data, iaitu model matematik yang paling sesuai dengan data yang ada. Ini dengan mudah boleh diwakili oleh plot berselerak. Regresi grafik adalah sama dengan mencari lengkung pemasangan terbaik untuk set data yang diberikan. Fungsi lengkung adalah fungsi regresi. Menggunakan model matematik penggunaan komoditi boleh diramalkan untuk harga yang diberikan.

Oleh itu, analisis regresi digunakan secara meluas dalam peramalan dan peramalan. Ia juga digunakan untuk menubuhkan hubungan dalam data percubaan, dalam bidang fizik, kimia, dan dalam banyak sains semula jadi dan disiplin kejuruteraan. Sekiranya hubungan atau fungsi regresi adalah fungsi lelurus, maka proses itu dikenali sebagai regresi linear. Dalam plot berselerak, ia boleh diwakili sebagai garis lurus. Jika fungsi itu bukan gabungan linear parameter, maka regresi itu tidak linear.

Regresi logistik adalah setanding dengan regresi multivariate, dan ia menghasilkan model untuk menjelaskan impak pelbagai ramalan pada pembolehubah tindak balas. Walau bagaimanapun, dalam regresi logistik, pemboleh ubah hasil akhirnya harus dikategorikan (biasanya dibahagikan; iaitu, sepasang hasil yang boleh dicapai, seperti kematian atau kelangsungan hidup, walaupun teknik khas membolehkan lebih banyak maklumat dikategorikan untuk dimodelkan). Pemboleh ubah hasil yang berterusan boleh diubah menjadi pemboleh ubah kategori, untuk digunakan untuk regresi logistik; Walau bagaimanapun, runtuh pemboleh ubah berterusan dengan cara ini kebanyakannya digalakkan kerana ia mengurangkan ketepatannya.

Tidak seperti dalam regresi linear, ke arah min, pemboleh ubah ramalan dalam regresi logistik tidak perlu dipaksa untuk dihubungkan secara linear, biasa diedarkan, atau mempunyai varians yang sama di dalam setiap cluster. Akibatnya, hubungan antara peramal dan pemboleh ubah hasil tidak mungkin menjadi fungsi linier.

Apakah perbezaan antara regresi Logistik dan Linear?

• Dalam regresi linier, hubungan linear antara pemboleh ubah penjelas dan pembolehubah tindak balas diandaikan dan parameter yang memuaskan model didapati dengan analisis, untuk memberikan hubungan yang tepat.

• Regresi linear dilakukan untuk pembolehubah kuantitatif, dan fungsi yang terhasil adalah kuantitatif.

• Dalam regresi logistik, data yang digunakan boleh dikategorikan atau kuantitatif, tetapi hasilnya selalu kategoris.