[回歸分析][14]--Logistic回歸

? 這應該是回歸分析的最后一塊知識點了。最后還會有一篇總結。那今天就好好講一講Logistic回歸。
?
? Logistic回歸是為了處理 y的值是0，1時，這時候若用普通最小二乘去回歸，會產生0--1之間的數，故產生了Logistic回歸，去計算概率。

? 有兩種情形：
? （1）.可以分塊計算概率的
???
?如上圖，我們可以根據在同一距離的射門次數和射門成功次數來計算出該位置的射門成功率。


?
?接著利用上式，（其中 Pi 是是概率大小），構造(4)式，利用最小二乘計算出b0，b1，帶入 (1)式，這樣每一個x就可一計算出概率Pi，若Pi>0.5，則取1，否則取0。

（2）.不可以計算出概率的
?? 當然，有的時候我們得到的數據不會在同一個x值上收集這么多數據，這時候上述辦法就不能用了。這里我就不具體講證明來歷了，直接說一下用軟件怎么實現。
LogitModelFit[]ProbitModelFit[]上面一個是指數函數，一個是正態分布的分布函數（都是在0--1之間的函數）
也可以使用mma里的另外一種辦法(我比較喜歡的)，因為上面y的取值只能兩值，多值無法計算
Classify[,Method -> "LogisticRegression"]數據如下?
{53 -> 2, 57 -> 1, 58 -> 1, 63 -> 1, 66 -> 0, 67 -> 0, 67 -> 0, 67 -> 0, 68 -> 0, 69 -> 0, 70 -> 0, 70 -> 0, 70 -> 1, 70 -> 1, 72 -> 0, 73 -> 0, 75 -> 0, 75 -> 2, 76 -> 0, 78 -> 0, 79 -> 0, 81 -> 0, 76 -> 0}前面位溫度，后面為該問溫度下的零件損壞個數
c = Classify[data, Method -> "LogisticRegression"]; p0[temp_] := c[temp, {"Probability", 0}]; p1[temp_] := c[temp, {"Probability", 1}]; p2[temp_] := c[temp, {"Probability", 2}]; Plot[{p0[x], p1[x], p2[x]}, {x, 20, 80},PlotLabels -> {"損壞0個", "損壞1個", "損壞2個"}]第2句是在temp度下損壞0的概率，第三第四句類似
則最后的得到的圖如下

可以很明顯看出概率的變壞趨勢來。

以上，所有

圣誕快樂啦~~~~~

2016/12/25

轉載于:https://www.cnblogs.com/wmn7q/p/7265530.html

總結

以上是生活随笔為你收集整理的[回归分析][14]--Logistic回归的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。