カテゴリ変数(通常は二値変数)の回帰モデル。結果を直接モデル化する代わりに、ロジスティック(シグモイド)関数を使用して結果の確率をモデル化します。このモデルは、イベントの対数オッズを独立変数の線形結合として予測します。[latex]ln(frac{p}{1-p}) = beta_0 + beta_1 x_1 + dots + beta_p x_p[/latex]、ここで p はイベントの確率です。

(画像はイメージです)
カテゴリ変数(通常は二値変数)の回帰モデル。結果を直接モデル化する代わりに、ロジスティック(シグモイド)関数を使用して結果の確率をモデル化します。このモデルは、イベントの対数オッズを独立変数の線形結合として予測します。[latex]ln(frac{p}{1-p}) = beta_0 + beta_1 x_1 + dots + beta_p x_p[/latex]、ここで p はイベントの確率です。
ロジスティック回帰は、二値分類問題における基本的なアルゴリズムです。これは、線形回帰の概念を結果変数が連続的でない場合に拡張した一般化線形モデル(GLM)の一種です。二値(0/1)の結果に線形回帰を直接適用すると、予測確率が論理的な[0, 1]の範囲外になる可能性があり、最小二乗法(OLS)の誤差分散が一定であるという仮定に違反するため、問題が生じます。
ロジスティック回帰は、リンク関数を使用して結果を変換することでこの問題を解決します。これは、オッズの対数、つまり「ロジット」を予測変数の線形関数としてモデル化します。オッズは、成功の確率([latex]p[/latex])と失敗の確率([latex]1-p[/latex])の比です。この変換、[latex]text{logit}(p) = ln(p/(1-p))[/latex]は、確率を範囲[0, 1]から実数全体[latex](-infty, +infty)[/latex]にマッピングし、線形モデルに適したものにします。
確率に戻すには、ロジット関数の逆関数であるロジスティック関数またはシグモイド関数を適用します。[latex]p = frac{e^{beta_0 + beta_1 x_1 + dots}}{1 + e^{beta_0 + beta_1 x_1 + dots}}[/latex]。線形回帰とは異なり、パラメータ([latex]beta[/latex])は最小二乗法で推定されません。代わりに、通常は最尤推定法(MLE)を使用して求められます。これは、実際のデータを観測する尤度を最大化するパラメータ値を見つける反復プロセスです。このモデルは、多項ロジスティック回帰によって多クラス問題を処理するように拡張できます。
ボットによるトラフィック(現在1日あたり4万件以上)を排除するため、このコンテンツはコミュニティメンバー限定となっています。
> ログイン < または > 登録 < (100%無料)でこれにアクセスできます。他のすべての制限付きコンテンツとツールも同様です。
ロジスティック回帰
(日付が不明または関連性がない場合、例えば「流体力学」などでは、その注目すべき出現時期の概算値が提示されます。)
フルサイズの画像とダウンロードは、登録会員のみが100%無料で利用できます。
> ログイン <