Logistic regression (original) (raw)
En estadística, la regressió logística és un model de regressió per a variables dependents o de resposta binomials distribuïdes. És útil per a modelar la probabilitat d'un esdeveniment passant com a funció d'altres factors. És un que s'utilitza com a funció d'enllaç la funció logit. La regressió logística és utilitzada extensament en les ciències mèdiques i socials. Altres noms per regressió logística usats en diverses àrees d'aplicació inclouen model logístic , model logit , i classificador de màxima entropia .
| Property | Value |
|---|---|
| dbo:abstract | En estadística, la regressió logística és un model de regressió per a variables dependents o de resposta binomials distribuïdes. És útil per a modelar la probabilitat d'un esdeveniment passant com a funció d'altres factors. És un que s'utilitza com a funció d'enllaç la funció logit. La regressió logística és utilitzada extensament en les ciències mèdiques i socials. Altres noms per regressió logística usats en diverses àrees d'aplicació inclouen model logístic , model logit , i classificador de màxima entropia . (ca) الانحدار اللوجستي (بالإنجليزية Logistic regression) هو نموذج إحصائي ينتمي لنماذج الانحدار الخطي يمكن من نمذجة متغير ثنائي الحد بدلالة مجموعة من المتغيرات العشوائية المتوقعة، رقمية كانت أو فئوية. يستخدم الانحدار اللوجستي للتنبؤ وقوع حدث ما بمعرفة إضافية لقيم متغيرات يمكن أن تكون مفسرة أو مرتبطة بهذا الحدث. يستخدم الانحدارُ اللوجستي عدة متغيرات مُتوقَّعة والتي يمكن أن تكون رقمية أو فئوية. يشتهر الانحدار اللوجستي أيضا بتسميات نموذج لوجيت (Logit) أو المصنف العام للأنتروبية. تستعمل هذه النمذجة بشكل واسع في العديد من التطبيقات العلمية والتجارية وهي من طرق النمذجة الأكثر تطبيقا في مجال التعلم الآلي، حيث تصنف ضمن طرق التعلم الآلي المراقب. الانحدار اللوجستي هو حالة خاصة لمجموعة النماذج الخطية العامة، رغم أنه تاريخيا، تعتبر الأخيرة تعميما لتقنية الانحدار اللوجستي. (ar) Logistická regrese je označení metody matematické statistikyzabývající se problematikou odhadu pravděpodobnosti nějakého jevu (závisle proměnné) na základě určitých známých skutečností (nezávisle proměnných), které mohou ovlivnit výskyt jevu.Událost, zda zkoumaný jev nastal, se modeluje pomocí náhodné veličiny, která nabývá hodnoty 0, pokud jev nenastal, nebo 1, pokud jev nastal (viz též charakteristická funkce). O náhodné veličině, která nabývá dvou hodnot 0 a 1 se říká, že má alternativní rozdělení. Metoda logistické regrese předpokládá, že za podmínek, které určuje vektor , bude náhodná veličina rovna 1 s pravděpodobností, jejíž závislost na můžeme vyjádřit pomocí tzv. logistické funkce, což zapisujeme jako Vektor je vektorem neznámých parametrů. Odhadem vektoru se tedy odhaduje i hledaná pravděpodobnost výskytu zkoumaného jevu (za předpokladu parametrizace logistickou funkcí). Vektor se obvykle bere ve tvaru . Složka pak určuje vliv tzv. absolutního členu. Skutečnost, že pravděpodobnost výskytu jevu nezávisí na námi zkoumaných nezávislých proměnných (tj. ) znamená, že se dá vyjádřit ve tvaru nezávisle na . (cs) Unter logistischer Regression oder Logit-Modell versteht man in der Statistik Regressionsanalysen zur (meist multiplen) Modellierung der Verteilung abhängiger diskreter Variablen. Wenn logistische Regressionen nicht näher als multinomiale oder geordnete logistische Regressionen gekennzeichnet sind, ist zumeist die binomiale logistische Regression für dichotome (binäre) abhängige Variablen gemeint. Die unabhängigen Variablen können dabei ein beliebiges Skalenniveau aufweisen, wobei diskrete Variablen mit mehr als zwei Ausprägungen in eine Serie binärer Dummy-Variablen zerlegt werden. Im binomialen Fall liegen Beobachtungen der Art vor, wobei eine binäre abhängige Variable (den so genannten Regressanden) bezeichnet, die mit , einem bekannten und festen Kovariablenvektor von Regressoren, auftritt. bezeichnet die Anzahl der Beobachtungen. Das Logit-Modell ergibt sich aus der Annahme, dass die Fehlerterme unabhängig und identisch Gumbel-verteilt sind. Eine Erweiterung der logistischen Regression stellt die dar; eine Variante dieser ist das . (de) En estadística, la regresión logística es un tipo de análisis de regresión utilizado para predecir el resultado de una variable categórica (una variable que puede adoptar un número limitado de categorías) en función de las variables independientes o predictoras. Es útil para modelar la probabilidad de un evento ocurriendo en función de otros factores. El análisis de regresión logística se enmarca en el conjunto de Modelos Lineales Generalizados (GLM por sus siglas en inglés) que usa como función de enlace la función logit. Las probabilidades que describen el posible resultado de un único ensayo se modelan como una función de variables explicativas, utilizando una función logística. La regresión logística es usada extensamente en las ciencias médicas y sociales. Otros nombres para regresión logística usados en varias áreas de aplicación incluyen modelo logístico, modelo logit, y clasificador de máxima entropía. (es) Estatistikan, erregresio logistikoa edo logit eredua gertakizun baten probabilitatea aurresateko erabiltzen den erregresio-teknika bat da, aldagai independente zenbaitetan oinarrituta kurba logistiko bat egokituz. Adibidez, erregresio logistikoa pertsona batek aldi batean bihotzekoak jota izateko probabilitatea zenbatesteko erabil daiteke, bere adina, pisua eta errentzen duen jakinda. Alderantziz, probabilitate zehatz baterako, beste aldagai batek hartu behar duen balioa zenbatesteko ere erabil daiteke. Adibidez, gaixotasun bat ez garatzeko probabilitatea %99 izan dadin, sendagai batetik hartu beharreko dosia zein izan behar den kalkula daiteke erregresio logistikoaren bitartez, dosi ezberdinetarako gaixotasun garatu duten pertsonen kopuruari buruzko datuak erabiliz. (eu) In statistics, the logistic model (or logit model) is a statistical model that models the probability of an event taking place by having the log-odds for the event be a linear combination of one or more independent variables. In regression analysis, logistic regression (or logit regression) is estimating the parameters of a logistic model (the coefficients in the linear combination). Formally, in binary logistic regression there is a single binary dependent variable, coded by an indicator variable, where the two values are labeled "0" and "1", while the independent variables can each be a binary variable (two classes, coded by an indicator variable) or a continuous variable (any real value). The corresponding probability of the value labeled "1" can vary between 0 (certainly the value "0") and 1 (certainly the value "1"), hence the labeling; the function that converts log-odds to probability is the logistic function, hence the name. The unit of measurement for the log-odds scale is called a logit, from logistic unit, hence the alternative names. See and for formal mathematics, and for a worked example. Binary variables are widely used in statistics to model the probability of a certain class or event taking place, such as the probability of a team winning, of a patient being healthy, etc. (see ), and the logistic model has been the most commonly used model for binary regression since about 1970. Binary variables can be generalized to categorical variables when there are more than two possible values (e.g. whether an image is of a cat, dog, lion, etc.), and the binary logistic regression generalized to multinomial logistic regression. If the multiple categories are ordered, one can use the ordinal logistic regression (for example the proportional odds ordinal logistic model). See for further extensions. The logistic regression model itself simply models probability of output in terms of input and does not perform statistical classification (it is not a classifier), though it can be used to make a classifier, for instance by choosing a cutoff value and classifying inputs with probability greater than the cutoff as one class, below the cutoff as the other; this is a common way to make a binary classifier. Analogous linear models for binary variables with a different sigmoid function instead of the logistic function (to convert the linear combination to a probability) can also be used, most notably the probit model; see . The defining characteristic of the logistic model is that increasing one of the independent variables multiplicatively scales the odds of the given outcome at a constant rate, with each independent variable having its own parameter; for a binary dependent variable this generalizes the odds ratio. More abstractly, the logistic function is the natural parameter for the Bernoulli distribution, and in this sense is the "simplest" way to convert a real number to a probability. In particular, it maximizes entropy (minimizes added information), and in this sense makes the fewest assumptions of the data being modeled; see . The parameters of a logistic regression are most commonly estimated by maximum-likelihood estimation (MLE). This does not have a closed-form expression, unlike linear least squares; see . Logistic regression by MLE plays a similarly basic role for binary or categorical responses as linear regression by ordinary least squares (OLS) plays for scalar responses: it is a simple, well-analyzed baseline model; see for discussion. The logistic regression as a general statistical model was originally developed and popularized primarily by Joseph Berkson, beginning in , where he coined "logit"; see . (en) En statistiques, la régression logistique ou modèle logit est un modèle de régression binomiale. Comme pour tous les modèles de régression binomiale, il s'agit d'expliquer au mieux une variable binaire (la présence ou l'absence d'une caractéristique donnée) par des observations réelles nombreuses, grâce à un modèle mathématique. En d'autres termes d'associer une variable aléatoire de Bernoulli (génériquement notée ) à un vecteur de variables aléatoires . La régression logistique constitue un cas particulier de modèle linéaire généralisé. Elle est largement utilisée en apprentissage automatique. (fr) Regresi logistik (kadang disebut model logistik atau model ), dalam statistika digunakan untuk prediksi probabilitas kejadian suatu peristiwa dengan mencocokkan data pada fungsi logit . Metode ini merupakan model linier umum yang digunakan untuk . Seperti analisis regresi pada umumnya, metode ini menggunakan beberapa variabel prediktor, baik numerik maupun kategori. Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu tertentu dapat diprediksi dari informasi usia, jenis kelamin, dan indeks massa tubuh. Regresi logistik juga digunakan secara luas pada bidang kedokteran dan ilmu sosial, maupun pemasaran seperti prediksi kecenderungan pelanggan untuk membeli suatu produk atau berhenti berlangganan. (in) In statistica, il modello logit, noto anche come modello logistico o regressione logistica, è un modello di regressione nonlineare utilizzato quando la variabile dipendente è di tipo dicotomico. L'obiettivo del modello è di stabilire la probabilità con cui un'osservazione può generare uno o l'altro valore della variabile dipendente; può inoltre essere utilizzato per classificare le osservazioni, in base alla caratteristiche di queste, in due categorie. Il modello logit fa parte della classe dei modelli lineari generalizzati, così come il modello probit ed il , dai quali differisce essenzialmente per la scelta della funzione . (it) ロジスティック回帰（ロジスティックかいき、英: Logistic regression）は、ベルヌーイ分布に従う変数の統計的回帰モデルの一種である。連結関数としてロジットを使用する一般化線形モデル (GLM) の一種でもある。1958年にが発表した。確率の回帰であり、統計学の分類に主に使われる。医学や社会科学でもよく使われる。 モデルは同じく1958年に発表された単純パーセプトロンと等価であるが、scikit-learnなどでは、パラメータを決める最適化問題で確率的勾配降下法を使用する物をパーセプトロンと呼び、や準ニュートン法などを使用する物をロジスティック回帰と呼んでいる。 (ja) 로지스틱 회귀(영어: logistic regression)는 영국의 통계학자인 D. R. Cox가 1958년에 제안한 확률 모델로서 독립 변수의 선형 결합을 이용하여 사건의 발생 가능성을 예측하는 데 사용되는 통계 기법이다. 로지스틱 회귀의 목적은 일반적인 회귀 분석의 목표와 동일하게 종속 변수와 독립 변수간의 관계를 구체적인 함수로 나타내어 향후 예측 모델에 사용하는 것이다. 이는 독립 변수의 선형 결합으로 종속 변수를 설명한다는 관점에서는 선형 회귀 분석과 유사하다. 하지만 로지스틱 회귀는 선형 회귀 분석과는 다르게 종속 변수가 범주형 데이터를 대상으로 하며 입력 데이터가 주어졌을 때 해당 데이터의 결과가 특정 분류로 나뉘기 때문에 일종의 분류 (classification) 기법으로도 볼 수 있다. 흔히 로지스틱 회귀는 종속변수가 이항형 문제(즉, 유효한 범주의 개수가 두개인 경우)를 지칭할 때 사용된다. 이외에, 두 개 이상의 범주를 가지는 문제가 대상인 경우엔 다항 로지스틱 회귀 (multinomial logistic regression) 또는 분화 로지스틱 회귀 (polytomous logistic regression)라고 하고 복수의 범주이면서 순서가 존재하면 서수 로지스틱 회귀 (ordinal logistic regression) 라고 한다. 로지스틱 회귀 분석은 의료, 통신, 데이터마이닝과 같은 다양한 분야에서 분류 및 예측을 위한 모델로서 폭넓게 사용되고 있다. (ko) In de statistiek wordt logistische regressie gebruikt om een dichotome uitkomstvariabele te relateren aan een of meer variabelen. Logistische regressieanalyse kan gezien worden als de techniek die het meest bij lineaire regressie aansluit, en is hierbij tevens het alternatief voor lineaire regressie in het geval de gemeten variabele niet continu van aard is (metrisch of ratiomeetniveau). De analysetechniek heeft vaak een voorspellend karakter en wordt voornamelijk toegepast binnen de vakgebieden gezondheidswetenschappen, biologie, macro-economie, financiële economie, sociologie en de sociale psychologie. (nl) Regresja logistyczna – jedna z metod regresji używanych w statystyce w przypadku, gdy zmienna zależna jest na skali dychotomicznej (przyjmuje tylko dwie wartości). Zmienne niezależne w analizie regresji logistycznej mogą przyjmować charakter nominalny, porządkowy, przedziałowy lub ilorazowy. W przypadku zmiennych nominalnych oraz porządkowych następuje ich przekodowanie w liczbę zmiennych zero-jedynkowych taką samą lub o 1 mniejszą niż liczba kategorii w jej definicji. Zwykle wartości zmiennej objaśnianej wskazują na wystąpienie, lub brak wystąpienia pewnego zdarzenia, które chcemy prognozować. Regresja logistyczna pozwala wówczas na obliczanie prawdopodobieństwa tego zdarzenia (tzw. prawdopodobieństwo sukcesu). Formalnie model regresji logistycznej jest uogólnionym modelem liniowym (GLM), w którym użyto logitu jako funkcji wiążącej. (pl) A regressão logística é uma técnica estatística que tem como objetivo produzir, a partir de um conjunto de observações, um modelo que permita a predição de valores tomados por uma variável categórica, frequentemente binária, a partir de uma série de variáveis explicativas contínuas e/ou binárias. A regressão logística é amplamente usada em ciências médicas e sociais, e tem outras denominações, como modelo logístico, modelo logit, e classificador de máxima entropia. A regressão logística é utilizada em áreas como as seguintes: * Em medicina, permite por exemplo determinar os factores que caracterizam um grupo de indivíduos doentes em relação a indivíduos sãos; * No domínio dos seguros, permite encontrar fracções da clientela que sejam sensíveis a determinada política securitária em relação a um dado risco particular; * Em instituições financeiras, pode detectar os grupos de risco para a subscrição de um crédito; * Em econometria, permite explicar uma variável discreta, como por exemplo as intenções de voto em actos eleitorais. O êxito da regressão logística assenta sobretudo nas numerosas ferramentas que permitem interpretar de modo aprofundado os resultados obtidos. Em comparação com as técnicas conhecidas em regressão, em especial a regressão linear, a regressão logística distingue-se essencialmente pelo facto de a variável resposta ser categórica. Enquanto método de predição para variáveis categóricas, a regressão logística é comparável às técnicas supervisionadas propostas em aprendizagem automática (árvores de decisão, redes neurais, etc.), ou ainda a análise discriminante preditiva em estatística exploratória. É possível de as colocar em concorrência para escolha do modelo mais adaptado para um certo problema preditivo a resolver. Trata-se de um modelo de regressão para variáveis dependentes ou de resposta binomialmente distribuídas. É útil para modelar a probabilidade de um evento ocorrer como função de outros factores. É um modelo linear generalizado que usa como função de ligação a função logit. Assunções: * Relação linear entre o vetor das variáveis explicativas X e o logit da variável resposta Y * Ausência de multicolinearidade * Valor esperado dos resíduos igual a zero * Ausência de heterocedasticidade Não pressupõe normalidade dos resíduos nem homogeneidade de variâncias. Por isso torna preferível em situações práticas. (pt) Logistisk regression är en matematisk metod med vilken man kan analysera . Metoden lämpar sig bäst då man är intresserad av att undersöka om det finns ett samband mellan en responsvariabel (Y), som endast kan anta två möjliga värden, och en förklarande variabel (X). Exempel: Man är intresserad av att studera om det finns ett samband mellan mängden tjära i lungorna (X) och huruvida lungcancer föreligger (Y). Responsvariabeln kan endast anta de två värdena 'Ja' eller 'Nej', medan den förklarande variabeln (i princip) kan anta vilka positiva värden som helst. Det är inte meningsfullt att försöka beskriva ett eventuellt samband mellan X och Y på en linjär form, så som är brukligt vid enkel linjär regression: Anledningen till detta är att uttrycket representerar ett reellt tal, medan vänsterledet, Y, endast kan anta två möjliga värden. (Det finns fler reella tal än vad som är möjliga att räkna upp; man säger att det finns överuppräkneligt många reella tal.) Vi är intresserade av ett samband mellan sannolikheten att Y skall anta värdet 'Ja', och den förklarande variabeln X: Eftersom en sannolikhet är ett tal som ligger mellan värdena noll och ett, måste funktionen f vara sådan att då X är ett reellt tal är f(X) ett tal mellan noll och ett: I den enkla logistiska regressionsmodellen definieras funktionen f indirekt av följande samband: Notera att om p är ett tal mellan noll och ett, så är ett reellt tal: Då man jämför denna matematiska modell över sambandet mellan X och Y med gjorda mätningar på X och noteringar av förekomsten av lungcancer, får man inte en perfekt överensstämmelse. De avvikelser som noteras kan ha två orsaker: * (1) Den matematiska modellen är olämplig och det förekommer slumpeffekter, eller * (2) Den matematiska modellen är lämplig och det förekommer slumpeffekter. Som synes kan man inte bli kvitt slumpeffekterna. Vad man däremot kan göra är att försöka att beskriva dem genom att undersöka deras frekvensfunktion. Den enkla logistiska regressionsmodellen utgår från att avvikelserna mellan uttrycket och är bestämda av den så kallade normalfördelningen, vars fördelningsfunktion är: Man säger att avvikelsen, , mellan modell-Y och mätdata-Y är -fördelad. Den enkla logistiska regressionsmodellen tar hänsyn både till sambandet mellan X och Y och till slumpens påverkan: Sambandet mellan och X får vi genom att invertera ovanstående ekvation: Det är viktigt att notera att slumpeffekterna kommer in multiplikativt i denna modell (som exponenter), till skillnad från additivt, som vid enkel- och multipel linjär regression. Detta gör det svårt att bestämma den frekvensfunktion som styr det slumpmässiga beteendet hos kvoten (sv) Логистическая регрессия или логит-модель (англ. logit model) — статистическая модель, используемая для прогнозирования вероятности возникновения некоторого события путём его сравнения с логистической кривой. Эта регрессия выдаёт ответ в виде вероятности бинарного события (1 или 0). (ru) Логістична регресія (англ. logistic regression) або лоґіт-регресія (англ. logit model) — статистичний регресійний метод, що застосовують у випадку, коли залежна змінна є , тобто може набувати тільки двох значень (0 або 1). При запровадженні порогового значення може знаходити застосування у класифікуванні. (uk) 邏輯斯迴歸（英語：Logistic regression，又譯作邏輯迴歸、对数几率迴归、羅吉斯迴歸）是一種对数几率模型（英語：Logit model，又译作逻辑模型、评定模型、分类评定模型），是离散选择法模型之一，属于多元变量分析范畴，是社会学、生物统计学、临床、、计量经济学、市场营销等统计实证分析的常用方法。 (zh) |
| dbo:thumbnail | wiki-commons:Special:FilePath/Exam_pass_logistic_curve.svg?width=300 |
| dbo:wikiPageExternalLink | https://papers.tinbergen.nl/02119.pdf https://books.google.com/books%3Fid=0bzGQE14CwEC&pg=PA267 http://ncss.wpengine.netdna-cdn.com/wp-content/themes/ncss/pdf/Procedures/NCSS/Logistic_Regression.pdf http://www.omidrouhani.com/research/logisticregression/html/logisticregression.htm https://czep.net/stat/mlelr.html https://nightlies.apache.org/flink/flink-ml-docs-release-2.0/docs/operators/classification/logisticregression/ http://www-01.ibm.com/support/docview.wss%3Fuid=swg21475013 https://www.tensorflow.org/versions/master/api_docs/python/tf/contrib/learn/LogisticRegressor http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html https://support.sas.com/documentation/cdl/en/statug/63033/HTML/default/viewer.htm%23glimmix_toc.htm https://support.sas.com/documentation/cdl/en/statug/63347/HTML/default/viewer.htm%23logistic_toc.htm https://support.sas.com/documentation/cdl/en/statug/63347/HTML/default/viewer.htm%23statug_catmod_sect003.htm http://deeplearning.net/software/theano/tutorial/examples.html https://books.google.com/books%3Fid=dE2prs_U0QMC&pg=PA6 https://github.com/AmazaspShumik/sklearn-bayes/blob/master/ipython_notebooks_tutorials/linear_models/bayesian_logistic_regression_demo.ipynb https://github.com/AmazaspShumik/sklearn-bayes/blob/master/ipython_notebooks_tutorials/rvm_ard/ard_classification_demo.ipynb https://github.com/AmazaspShumik/sklearn-bayes/blob/master/ipython_notebooks_tutorials/rvm_ard/vbard_classification.ipynb https://github.com/AmazaspShumik/sklearn-bayes/blob/master/skbayes/linear_models/bayes_logistic.py https://github.com/AmazaspShumik/sklearn-bayes/blob/master/skbayes/rvm_ard_models/fast_rvm.py https://github.com/AmazaspShumik/sklearn-bayes/blob/master/skbayes/rvm_ard_models/vrvm.py https://github.com/inaccel/logisticregression https://cran.r-project.org/web/packages/rms http://www.statsmodels.org/dev/generated/statsmodels.discrete.discrete_model.Logit.html |
| dbo:wikiPageID | 226631 (xsd:integer) |
| dbo:wikiPageLength | 128172 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1124071703 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Canada dbr:Catalyst dbr:Bayesian_statistics dbr:Probability_distribution dbr:PyMC3 dbr:Python_(programming_language) dbr:Quebec dbr:Scalar_(mathematics) dbr:Scikit-learn dbr:Multinomial_logistic_regression dbr:NCSS_(statistical_software) dbr:Natural_language_processing dbr:One_in_ten_rule dbr:Probit_model dbr:Nonidentifiable dbr:Normalizing_factor dbr:Bernoulli_distribution dbr:Body_mass_index dbr:David_Cox_(statistician) dbr:Deviance_(statistics) dbr:Hosmer–Lemeshow_test dbr:Joseph_Berkson dbr:Perceptron dbr:Ridge_regression dbr:Udny_Yule dbr:Degrees_of_freedom_(statistics) dbr:Dependent_and_independent_variables dbr:Design_matrix dbr:Dummy_variable_(statistics) dbr:Independence_of_irrelevant_alternatives dbr:Information_content dbr:L._Gustave_du_Pasquier dbr:Level_of_measurement dbr:Limited_dependent_variable dbr:Y-intercept dbr:Null_hypothesis dbr:Null_model dbr:Conditional_entropy dbr:Conditional_random_field dbr:Cross_entropy dbr:Analytic_function dbr:Matlab dbr:Maximum_a_posteriori dbr:Maximum_entropy_probability_distribution dbr:Maximum_likelihood_estimation dbr:SAS_(software) dbr:SPSS dbr:Chi-squared_distribution dbr:Estimation_theory dbr:Generalized_linear_model dbr:Odds dbr:Poisson_regression dbr:Quasi-Newton_method dbr:Edwin_Bidwell_Wilson dbr:Engineering dbr:Entropy_(information_theory) dbr:Gradient_descent dbc:Logistic_regression dbr:Mlpack dbr:Mortgage dbr:Myocardial_infarction dbr:Conditional_logistic_regression dbr:Conjugate_prior dbr:Contingency_table dbr:Coronary_artery_disease dbr:Ordered_logit dbr:Observational_studies dbr:Apache_Spark dbr:Bernoulli_trial dbr:Likelihood-ratio_test dbr:Likelihood_function dbr:Location_parameter dbr:Log_loss dbr:Logarithm dbr:Logistic_function dbr:Logit dbr:Lowell_Reed dbr:Machine_learning dbc:Predictive_analytics dbr:Stan_(software) dbr:Stata dbr:Statistical_model dbr:Statistics dbr:Computer_science dbr:Journal_of_Clinical_Epidemiology dbr:Proceedings_of_the_National_Academy_of_Sciences_of_the_United_States_of_America dbr:Spline_(mathematics) dbr:Step_function dbr:Stratification_(clinical_trials) dbr:Marketing dbr:Linear_least_squares_(mathematics) dbr:Backpropagation dbr:C++ dbr:C_(programming_language) dbc:Regression_models dbr:Wilhelm_Ostwald dbr:Heavy-tailed_distribution dbr:Jane_Worcester dbr:Jarrow–Turnbull_model dbr:Linear_combination dbr:Linear_discriminant_analysis dbr:Linear_function_(calculus) dbr:Linear_model dbr:Linear_predictor_function dbr:Linear_regression dbr:Link_function dbr:Local_case-control_sampling dbr:Log-likelihood dbr:Logistic_distribution dbr:Logistic_model_tree dbr:Adolphe_Quetelet dbr:Cumulative_distribution_function dbr:Daniel_McFadden dbr:E_(mathematical_constant) dbr:Economics dbr:Error_function dbr:Euler_number dbr:Expected_value dbr:Exponential_family dbr:Exponential_function dbr:Brier_score dbr:Normal_distribution dbr:Normalizing_constant dbr:Parti_Québécois dbr:Partition_of_sums_of_squares dbr:Cardinal_number dbr:Discrete_choice dbr:Goodness_of_fit dbr:Iteratively_reweighted_least_squares dbr:Rational_choice_theory dbr:Dependent_variable dbr:Extreme_value_distribution dbr:Gaussian_distribution dbr:Probability dbr:Random_variable dbr:Regression_analysis dbr:Regularization_(mathematics) dbr:High-level_synthesis dbr:Java_(programming_language) dbr:TensorFlow dbr:Statsmodels dbr:Artificial_neural_network dbr:Chester_Ittner_Bliss dbr:Chi-squared_test dbr:John_Gaddum dbr:Just_another_Gibbs_sampler dbr:Lagrange_multipliers dbr:Latent_variable dbr:Binary_regression dbr:Binary_variable dbr:Binomial_distribution dbr:Bioassay dbr:Blood_test dbr:Econometrics dbr:Java_virtual_machine dbr:TRISS dbr:Mixed_logit dbr:Statistical_data_type dbr:Diabetes_mellitus dbr:Dot_product dbr:Autocatalysis dbr:Mark_Thoma dbr:Political_science dbr:Population_growth dbr:Softmax_function dbr:Sparse_matrix dbr:Field-programmable_gate_array dbr:Explanatory_variable dbr:Independent_variable dbr:Indicator_function dbr:Kullback–Leibler_divergence dbr:Microsoft_Excel dbr:Natural_logarithm dbr:Newton's_method dbr:Odds_ratio dbr:OpenBUGS dbr:Ordinary_least_squares dbr:Canonical_form dbr:Categorical_variable dbr:R_(programming_language) dbr:Raymond_Pearl dbr:Real_number dbr:Matching_(statistics) dbr:Multicollinearity dbr:Probability_mass_function dbr:Scale_parameter dbr:Separation_(statistics) dbr:Sigmoid_function dbr:Pierre_François_Verhulst dbr:Unit_of_measurement dbr:Utility dbr:Variational_Bayesian_methods dbr:Wald_test dbr:Statistical_classification dbr:Expectation_propagation dbr:Discrete_variable dbr:Luce's_choice_axiom dbr:Robust_statistics dbr:Multiple_regression dbr:Rate_parameter dbr:Multilevel_model dbr:Polynomial_regression dbr:Maximum-likelihood_estimation dbr:Overfitting dbr:Type_I_and_Type_II_errors dbr:Statistical_software dbr:Squared_error_loss dbr:L-BFGS dbr:Turing.jl dbr:Ordered_logistic_regression dbr:Ordinal_logistic_regression dbr:Levels_of_measurement dbr:LibLinear dbr:Independent_identically_distributed dbr:Indicator_variable dbr:Natural_parameter dbr:R_square dbr:Regression_coefficient dbr:Continuous_variable dbr:Prior_distribution dbr:Probit_function dbr:Real-valued dbr:Utility_theory dbr:Vertical_intercept dbr:Error_variable dbr:Latent-variable_model dbr:Posterior_distribution dbr:Binary-valued dbr:Binary_classifier dbr:Log-odds dbr:Logistic_loss dbr:Logit_function dbr:Multinomial_logit dbr:Ronald_A._Fisher dbr:Surprisal dbr:File:Logistic-curve.svg dbr:File:Exam_pass_logistic_curve.svg dbr:File:Logistic-sigmoid-vs-scaled-probit.svg dbr:File:Logistic_Regression_Example.png dbr:File:Odds_Ratio-1.jpg dbr:Statistics_Toolbox_for_MATLAB |
| dbp:date | May 2017 (en) |
| dbp:id | 48.0 (dbd:second) |
| dbp:reason | Why is there likely some kind of error? How can this be remedied? (en) |
| dbp:title | Econometrics Lecture (en) |
| dbp:wikiPageUsesTemplate | dbt:Cite_techreport dbt:Regression_bar dbt:Abbr dbt:Anchor dbt:Authority_control dbt:Citation_needed dbt:Cite_book dbt:Cite_journal dbt:Commons_category-inline dbt:Expand_section dbt:Harvtxt dbt:Main dbt:Main_article dbt:Math dbt:Mvar dbt:Original_research dbt:Portal dbt:Redirect-distinguish dbt:Refbegin dbt:Refend dbt:Reflist dbt:Rp dbt:Section_link dbt:Sfn dbt:Short_description dbt:Slink dbt:Sub dbt:TOC_limit dbt:Tmath dbt:Weasel_inline dbt:Wikiversity dbt:YouTube dbt:Elucidate dbt:Statistics |
| dct:isPartOf | http://zbw.eu/stw/mapping/dbpedia/target |
| dct:subject | dbc:Logistic_regression dbc:Predictive_analytics dbc:Regression_models |
| rdf:type | owl:Thing yago:WikicatLog-linearModels yago:Assistant109815790 yago:CausalAgent100007347 yago:LivingThing100004258 yago:Model110324560 yago:Object100002684 yago:Organism100004475 yago:Person100007846 yago:PhysicalEntity100001930 yago:WikicatGeneralizedLinearModels yago:Worker109632518 yago:YagoLegalActor yago:YagoLegalActorGeo yago:Whole100003553 |
| rdfs:comment | En estadística, la regressió logística és un model de regressió per a variables dependents o de resposta binomials distribuïdes. És útil per a modelar la probabilitat d'un esdeveniment passant com a funció d'altres factors. És un que s'utilitza com a funció d'enllaç la funció logit. La regressió logística és utilitzada extensament en les ciències mèdiques i socials. Altres noms per regressió logística usats en diverses àrees d'aplicació inclouen model logístic , model logit , i classificador de màxima entropia . (ca) Estatistikan, erregresio logistikoa edo logit eredua gertakizun baten probabilitatea aurresateko erabiltzen den erregresio-teknika bat da, aldagai independente zenbaitetan oinarrituta kurba logistiko bat egokituz. Adibidez, erregresio logistikoa pertsona batek aldi batean bihotzekoak jota izateko probabilitatea zenbatesteko erabil daiteke, bere adina, pisua eta errentzen duen jakinda. Alderantziz, probabilitate zehatz baterako, beste aldagai batek hartu behar duen balioa zenbatesteko ere erabil daiteke. Adibidez, gaixotasun bat ez garatzeko probabilitatea %99 izan dadin, sendagai batetik hartu beharreko dosia zein izan behar den kalkula daiteke erregresio logistikoaren bitartez, dosi ezberdinetarako gaixotasun garatu duten pertsonen kopuruari buruzko datuak erabiliz. (eu) En statistiques, la régression logistique ou modèle logit est un modèle de régression binomiale. Comme pour tous les modèles de régression binomiale, il s'agit d'expliquer au mieux une variable binaire (la présence ou l'absence d'une caractéristique donnée) par des observations réelles nombreuses, grâce à un modèle mathématique. En d'autres termes d'associer une variable aléatoire de Bernoulli (génériquement notée ) à un vecteur de variables aléatoires . La régression logistique constitue un cas particulier de modèle linéaire généralisé. Elle est largement utilisée en apprentissage automatique. (fr) Regresi logistik (kadang disebut model logistik atau model ), dalam statistika digunakan untuk prediksi probabilitas kejadian suatu peristiwa dengan mencocokkan data pada fungsi logit . Metode ini merupakan model linier umum yang digunakan untuk . Seperti analisis regresi pada umumnya, metode ini menggunakan beberapa variabel prediktor, baik numerik maupun kategori. Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu tertentu dapat diprediksi dari informasi usia, jenis kelamin, dan indeks massa tubuh. Regresi logistik juga digunakan secara luas pada bidang kedokteran dan ilmu sosial, maupun pemasaran seperti prediksi kecenderungan pelanggan untuk membeli suatu produk atau berhenti berlangganan. (in) ロジスティック回帰（ロジスティックかいき、英: Logistic regression）は、ベルヌーイ分布に従う変数の統計的回帰モデルの一種である。連結関数としてロジットを使用する一般化線形モデル (GLM) の一種でもある。1958年にが発表した。確率の回帰であり、統計学の分類に主に使われる。医学や社会科学でもよく使われる。 モデルは同じく1958年に発表された単純パーセプトロンと等価であるが、scikit-learnなどでは、パラメータを決める最適化問題で確率的勾配降下法を使用する物をパーセプトロンと呼び、や準ニュートン法などを使用する物をロジスティック回帰と呼んでいる。 (ja) Логистическая регрессия или логит-модель (англ. logit model) — статистическая модель, используемая для прогнозирования вероятности возникновения некоторого события путём его сравнения с логистической кривой. Эта регрессия выдаёт ответ в виде вероятности бинарного события (1 или 0). (ru) Логістична регресія (англ. logistic regression) або лоґіт-регресія (англ. logit model) — статистичний регресійний метод, що застосовують у випадку, коли залежна змінна є , тобто може набувати тільки двох значень (0 або 1). При запровадженні порогового значення може знаходити застосування у класифікуванні. (uk) 邏輯斯迴歸（英語：Logistic regression，又譯作邏輯迴歸、对数几率迴归、羅吉斯迴歸）是一種对数几率模型（英語：Logit model，又译作逻辑模型、评定模型、分类评定模型），是离散选择法模型之一，属于多元变量分析范畴，是社会学、生物统计学、临床、、计量经济学、市场营销等统计实证分析的常用方法。 (zh) الانحدار اللوجستي (بالإنجليزية Logistic regression) هو نموذج إحصائي ينتمي لنماذج الانحدار الخطي يمكن من نمذجة متغير ثنائي الحد بدلالة مجموعة من المتغيرات العشوائية المتوقعة، رقمية كانت أو فئوية. يستخدم الانحدار اللوجستي للتنبؤ وقوع حدث ما بمعرفة إضافية لقيم متغيرات يمكن أن تكون مفسرة أو مرتبطة بهذا الحدث. يستخدم الانحدارُ اللوجستي عدة متغيرات مُتوقَّعة والتي يمكن أن تكون رقمية أو فئوية. يشتهر الانحدار اللوجستي أيضا بتسميات نموذج لوجيت (Logit) أو المصنف العام للأنتروبية. تستعمل هذه النمذجة بشكل واسع في العديد من التطبيقات العلمية والتجارية وهي من طرق النمذجة الأكثر تطبيقا في مجال التعلم الآلي، حيث تصنف ضمن طرق التعلم الآلي المراقب. (ar) Logistická regrese je označení metody matematické statistikyzabývající se problematikou odhadu pravděpodobnosti nějakého jevu (závisle proměnné) na základě určitých známých skutečností (nezávisle proměnných), které mohou ovlivnit výskyt jevu.Událost, zda zkoumaný jev nastal, se modeluje pomocí náhodné veličiny, která nabývá hodnoty 0, pokud jev nenastal, nebo 1, pokud jev nastal (viz též charakteristická funkce). O náhodné veličině, která nabývá dvou hodnot 0 a 1 se říká, že má alternativní rozdělení. Metoda logistické regrese předpokládá, že za podmínek, které určuje vektor , bude náhodná veličina rovna 1 s pravděpodobností, jejíž závislost na můžeme vyjádřit pomocí tzv. logistické funkce, což zapisujeme jako Vektor je vektorem neznámých parametrů. Odhadem vektoru se tedy odhaduje i (cs) Unter logistischer Regression oder Logit-Modell versteht man in der Statistik Regressionsanalysen zur (meist multiplen) Modellierung der Verteilung abhängiger diskreter Variablen. Wenn logistische Regressionen nicht näher als multinomiale oder geordnete logistische Regressionen gekennzeichnet sind, ist zumeist die binomiale logistische Regression für dichotome (binäre) abhängige Variablen gemeint. Die unabhängigen Variablen können dabei ein beliebiges Skalenniveau aufweisen, wobei diskrete Variablen mit mehr als zwei Ausprägungen in eine Serie binärer Dummy-Variablen zerlegt werden. (de) In statistics, the logistic model (or logit model) is a statistical model that models the probability of an event taking place by having the log-odds for the event be a linear combination of one or more independent variables. In regression analysis, logistic regression (or logit regression) is estimating the parameters of a logistic model (the coefficients in the linear combination). Formally, in binary logistic regression there is a single binary dependent variable, coded by an indicator variable, where the two values are labeled "0" and "1", while the independent variables can each be a binary variable (two classes, coded by an indicator variable) or a continuous variable (any real value). The corresponding probability of the value labeled "1" can vary between 0 (certainly the value "0") (en) En estadística, la regresión logística es un tipo de análisis de regresión utilizado para predecir el resultado de una variable categórica (una variable que puede adoptar un número limitado de categorías) en función de las variables independientes o predictoras. Es útil para modelar la probabilidad de un evento ocurriendo en función de otros factores. El análisis de regresión logística se enmarca en el conjunto de Modelos Lineales Generalizados (GLM por sus siglas en inglés) que usa como función de enlace la función logit. Las probabilidades que describen el posible resultado de un único ensayo se modelan como una función de variables explicativas, utilizando una función logística. (es) In statistica, il modello logit, noto anche come modello logistico o regressione logistica, è un modello di regressione nonlineare utilizzato quando la variabile dipendente è di tipo dicotomico. L'obiettivo del modello è di stabilire la probabilità con cui un'osservazione può generare uno o l'altro valore della variabile dipendente; può inoltre essere utilizzato per classificare le osservazioni, in base alla caratteristiche di queste, in due categorie. (it) 로지스틱 회귀(영어: logistic regression)는 영국의 통계학자인 D. R. Cox가 1958년에 제안한 확률 모델로서 독립 변수의 선형 결합을 이용하여 사건의 발생 가능성을 예측하는 데 사용되는 통계 기법이다. 로지스틱 회귀의 목적은 일반적인 회귀 분석의 목표와 동일하게 종속 변수와 독립 변수간의 관계를 구체적인 함수로 나타내어 향후 예측 모델에 사용하는 것이다. 이는 독립 변수의 선형 결합으로 종속 변수를 설명한다는 관점에서는 선형 회귀 분석과 유사하다. 하지만 로지스틱 회귀는 선형 회귀 분석과는 다르게 종속 변수가 범주형 데이터를 대상으로 하며 입력 데이터가 주어졌을 때 해당 데이터의 결과가 특정 분류로 나뉘기 때문에 일종의 분류 (classification) 기법으로도 볼 수 있다. (ko) In de statistiek wordt logistische regressie gebruikt om een dichotome uitkomstvariabele te relateren aan een of meer variabelen. Logistische regressieanalyse kan gezien worden als de techniek die het meest bij lineaire regressie aansluit, en is hierbij tevens het alternatief voor lineaire regressie in het geval de gemeten variabele niet continu van aard is (metrisch of ratiomeetniveau). (nl) Regresja logistyczna – jedna z metod regresji używanych w statystyce w przypadku, gdy zmienna zależna jest na skali dychotomicznej (przyjmuje tylko dwie wartości). Zmienne niezależne w analizie regresji logistycznej mogą przyjmować charakter nominalny, porządkowy, przedziałowy lub ilorazowy. W przypadku zmiennych nominalnych oraz porządkowych następuje ich przekodowanie w liczbę zmiennych zero-jedynkowych taką samą lub o 1 mniejszą niż liczba kategorii w jej definicji. Formalnie model regresji logistycznej jest uogólnionym modelem liniowym (GLM), w którym użyto logitu jako funkcji wiążącej. (pl) A regressão logística é uma técnica estatística que tem como objetivo produzir, a partir de um conjunto de observações, um modelo que permita a predição de valores tomados por uma variável categórica, frequentemente binária, a partir de uma série de variáveis explicativas contínuas e/ou binárias. A regressão logística é amplamente usada em ciências médicas e sociais, e tem outras denominações, como modelo logístico, modelo logit, e classificador de máxima entropia. A regressão logística é utilizada em áreas como as seguintes: Assunções: Por isso torna preferível em situações práticas. (pt) Logistisk regression är en matematisk metod med vilken man kan analysera . Metoden lämpar sig bäst då man är intresserad av att undersöka om det finns ett samband mellan en responsvariabel (Y), som endast kan anta två möjliga värden, och en förklarande variabel (X). Exempel: Man är intresserad av att studera om det finns ett samband mellan mängden tjära i lungorna (X) och huruvida lungcancer föreligger (Y). Responsvariabeln kan endast anta de två värdena 'Ja' eller 'Nej', medan den förklarande variabeln (i princip) kan anta vilka positiva värden som helst. (sv) |
| rdfs:label | Logistic regression (en) انحدار لوجستي (ar) Regressió logística (ca) Logistická regrese (cs) Logistische Regression (de) Regresión logística (es) Erregresio logistiko (eu) Régression logistique (fr) Regresi logistik (in) Modello logit (it) 로지스틱 회귀 (ko) ロジスティック回帰 (ja) Regresja logistyczna (pl) Logistische regressie (nl) Regressão logística (pt) Enkel logistisk regression (sv) Логистическая регрессия (ru) Логістична регресія (uk) 邏輯迴歸 (zh) |
| owl:differentFrom | dbr:Logit_function |
| owl:sameAs | freebase:Logistic regression yago-res:Logistic regression http://d-nb.info/gnd/4230396-5 wikidata:Logistic regression dbpedia-ar:Logistic regression dbpedia-ca:Logistic regression dbpedia-cs:Logistic regression dbpedia-de:Logistic regression dbpedia-es:Logistic regression dbpedia-et:Logistic regression dbpedia-eu:Logistic regression dbpedia-fa:Logistic regression dbpedia-fi:Logistic regression dbpedia-fr:Logistic regression dbpedia-he:Logistic regression dbpedia-id:Logistic regression dbpedia-it:Logistic regression dbpedia-ja:Logistic regression dbpedia-ko:Logistic regression dbpedia-nl:Logistic regression dbpedia-pl:Logistic regression dbpedia-pt:Logistic regression dbpedia-ru:Logistic regression dbpedia-simple:Logistic regression dbpedia-sv:Logistic regression dbpedia-uk:Logistic regression dbpedia-zh:Logistic regression https://global.dbpedia.org/id/BcpE |
| skos:closeMatch | http://zbw.eu/stw/descriptor/15408-0 |
| prov:wasDerivedFrom | wikipedia-en:Logistic_regression?oldid=1124071703&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/Logistic-curve.svg wiki-commons:Special:FilePath/Exam_pass_logistic_curve.svg wiki-commons:Special:FilePath/Logistic-sigmoid-vs-scaled-probit.svg wiki-commons:Special:FilePath/Logistic_Regression_Example.png wiki-commons:Special:FilePath/Odds_Ratio-1.jpg |
| foaf:isPrimaryTopicOf | wikipedia-en:Logistic_regression |
| is dbo:knownFor of | dbr:Joseph_Hilbe |
| is dbo:wikiPageDisambiguates of | dbr:Regression dbr:Logistic |
| is dbo:wikiPageRedirects of | dbr:Applications_of_logistic_regression dbr:Conditional_logit_analysis dbr:Binary_logit_model dbr:Logistic_Regression dbr:Logit_model dbr:Logit_regression |
| is dbo:wikiPageWikiLink of | dbr:Cardiac_surgery dbr:Probabilistic_classification dbr:Pseudo-R-squared dbr:Psychology dbr:Elastic_net_regularization dbr:Electrochemical_RAM dbr:Ensemble_learning dbr:List_of_algorithms dbr:Multinomial_logistic_regression dbr:Naive_Bayes_classifier dbr:One_in_ten_rule dbr:Probit_model dbr:Biome dbr:Biostatistics dbr:Bradley–Terry_model dbr:David_Cox_(statistician) dbr:David_Firth_(statistician) dbr:Hosmer–Lemeshow_test dbr:John_Nelder dbr:Joint_probability_distribution dbr:Joseph_Hilbe dbr:Perceptron dbr:Regression_validation dbr:RevoScaleR dbr:Revoscalepy dbr:Ridge_regression dbr:Cuban–American_lobby dbr:Cycling_in_the_United_States dbr:Vertica dbr:Industrial_and_organizational_psychology dbr:Integrated_Crisis_Early_Warning_System dbr:Inverse_probability_weighting dbr:List_of_important_publications_in_statistics dbr:Probit dbr:Predictive_genomics dbr:Correlation dbr:Cross_entropy dbr:Analyse-it dbr:MaxStat dbr:MedCalc dbr:General_linear_model dbr:Generalized_extreme_value_distribution dbr:Generalized_linear_model dbr:Geometric_programming dbr:Nominal_category dbr:Odds dbr:Oracle_Data_Mining dbr:Online_newspaper dbr:Variable_rules_analysis dbr:Coefficient_of_determination dbr:Entropy_(information_theory) dbr:Gene_expression_programming dbr:Generative_model dbr:Ministry_of_Science_and_Technology_(China) dbr:Mlpack dbr:Mlpy dbr:Conditional_logistic_regression dbr:Conjoint_analysis dbr:Contextual_Query_Language dbr:Continuous_or_discrete_variable dbr:Conway–Maxwell–Poisson_distribution dbr:Credit_score dbr:Credit_scorecards dbr:Cross-validation_(statistics) dbr:Optimal_discriminant_analysis_and_classification_tree_analysis dbr:Ordered_logit dbr:Apache_Spark dbr:Applications_of_logistic_regression dbr:Logistic_function dbr:Logit dbr:Machine_learning dbr:Calibration_(statistics) dbr:Comparison_of_statistical_packages dbr:Feature_scaling dbr:Feedforward_neural_network dbr:Pattern_recognition dbr:Portable_Format_for_Analytics dbr:Probability_of_default dbr:Propensity_score_matching dbr:Machine_learning_in_earth_sciences dbr:Predictive_Model_Markup_Language dbr:Readability dbr:AdaBoost dbr:Central_tendency dbr:Database_marketing dbr:WINdows_KwikStat dbr:Drug_addiction_recovery_groups dbr:Jurimetrics dbr:Learning_to_rank dbr:Linear_classifier dbr:Linear_discriminant_analysis dbr:Linear_predictor_function dbr:Linear_regression dbr:Local_case-control_sampling dbr:Log-linear_analysis dbr:Logistic_distribution dbr:Logistic_model_tree dbr:LogitBoost dbr:ADaMSoft dbr:Cytel dbr:DAP_(software) dbr:Data_transformation_(statistics) dbr:Ectopic_pregnancy dbr:EuResist dbr:Numbers_(season_2) dbr:Carbapenem-resistant_enterobacteriaceae dbr:Differential_item_functioning dbr:Digital_media_use_and_mental_health dbr:Discrete_choice dbr:Discriminative_model dbr:History_of_scientific_method dbr:Nairanjana_Dasgupta dbr:Trip_distribution dbr:Mutual_exclusivity dbr:Stochastic_gradient_descent dbr:Prediction dbr:Randomized_controlled_trial dbr:Rectifier_(neural_networks) dbr:Regression dbr:Regression_analysis dbr:Resource_selection_function dbr:Stepwise_regression dbr:Stimulus–response_model dbr:Healthgrades dbr:JASP dbr:Count_data dbr:Advanced_Football_Analytics dbr:LIBSVM dbr:Binary_classification dbr:Binary_data dbr:Binary_regression dbr:Binomial_distribution dbr:Binomial_regression dbr:Support_vector_machine dbr:Hidden_Markov_model dbr:Mixed_logit dbr:Psychological_statistics dbr:Statistical_data_type dbr:Zhang_Zhaohuan dbr:Relational_dependency_network dbr:Divergence_(statistics) dbr:Artificial_neuron dbr:Market_segmentation dbr:Boosting_(machine_learning) dbr:CP-GEP dbr:Platt_scaling dbr:Somalis_in_the_United_Kingdom dbr:Somers'_D dbr:Classification_rule dbr:FibroTest dbr:Intelligence_quotient dbr:Odds_ratio dbr:Omnibus_test dbr:Ordinal_data dbr:Ordinal_regression dbr:Categorical_variable dbr:Klecka's_tau dbr:Long_non-coding_RNA dbr:Multifactor_dimensionality_reduction dbr:Principle_of_maximum_entropy dbr:Separation_(statistics) dbr:Sigmoid_function dbr:Negative_partisanship dbr:Neural_network_software dbr:Logistic_equation dbr:Logistic_model dbr:Statistical_classification dbr:List_of_statistics_articles dbr:Logistic dbr:Low_information_voter dbr:Placement_testing dbr:Gibbs_sampling dbr:Multivariate_adaptive_regression_spline dbr:Upper-atmospheric_models dbr:Relative_risk dbr:Phenome-wide_association_study dbr:Philip_Schrodt dbr:Unistat dbr:Pagophagia dbr:Revised_Cardiac_Risk_Index dbr:Outline_of_machine_learning dbr:Outline_of_regression_analysis dbr:Overdispersion dbr:Overfitting dbr:Paraphrasing_(computational_linguistics) dbr:Supervised_learning dbr:Types_of_artificial_neural_networks dbr:XYY_syndrome dbr:Stochastic_variance_reduction dbr:Conditional_logit_analysis dbr:Binary_logit_model dbr:Logistic_Regression dbr:Logit_model dbr:Logit_regression |
| is dbp:knownFor of | dbr:Joseph_Hilbe |
| is rdfs:seeAlso of | dbr:Multinomial_logistic_regression dbr:Logit_analysis_in_marketing |
| is foaf:primaryTopic of | wikipedia-en:Logistic_regression |
