Personnaliser les préférences

Nous utilisons des cookies pour vous aider à naviguer efficacement et à exécuter certaines fonctions. Vous trouverez ci-dessous des informations détaillées sur tous les cookies sous chaque catégorie de consentement.

Les cookies classés comme « Nécessaires » sont stockés sur votre navigateur car ils sont essentiels pour activer les fonctionnalités de base du site.... 

Toujours actif

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

Aucun cookie à afficher.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

Aucun cookie à afficher.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

Aucun cookie à afficher.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

Aucun cookie à afficher.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

Aucun cookie à afficher.

4 exemples d’utilisation de la régression logistique dans la vie réelle



La régression logistique est une méthode statistique que nous utilisons pour ajuster un modèle de régression lorsque la variable de réponse est binaire.

Ce didacticiel présente quatre exemples différents d’utilisation de la régression logistique dans la vie réelle.

Exemple réel de régression logistique n° 1

Les chercheurs en médecine veulent savoir quel est l’impact de l’exercice et du poids sur la probabilité d’avoir une crise cardiaque. Pour comprendre la relation entre les variables prédictives et la probabilité de subir une crise cardiaque, les chercheurs peuvent effectuer une régression logistique.

La variable de réponse dans le modèle sera une crise cardiaque et elle aura deux résultats potentiels :

  • Une crise cardiaque survient.
  • Une crise cardiaque ne se produit pas.

Les résultats du modèle indiqueront aux chercheurs exactement comment les changements d’exercice et de poids affectent la probabilité qu’un individu donné subisse une crise cardiaque. Les chercheurs peuvent également utiliser le modèle de régression logistique ajusté pour prédire la probabilité qu’un individu donné subisse une crise cardiaque, en fonction de son poids et du temps passé à faire de l’exercice.

Exemple réel de régression logistique n°2

Les chercheurs veulent savoir comment le GPA, le score ACT et le nombre de cours AP suivis ont un impact sur la probabilité d’être accepté dans une université particulière. Pour comprendre la relation entre les variables prédictives et la probabilité d’être accepté, les chercheurs peuvent effectuer une régression logistique.

La variable de réponse dans le modèle sera « acceptation » et elle a deux résultats potentiels :

  • Un étudiant est accepté.
  • Un étudiant n’est pas accepté.

Les résultats du modèle indiqueront aux chercheurs exactement comment les changements dans la GPA, le score ACT et le nombre de cours AP suivis affectent la probabilité qu’un individu donné soit accepté à l’université. Les chercheurs peuvent également utiliser le modèle de régression logistique ajusté pour prédire la probabilité qu’un individu donné soit accepté, en fonction de sa moyenne cumulative, de son score ACT et du nombre de cours AP suivis.

Exemple réel de régression logistique n°3

Une entreprise souhaite savoir si le nombre de mots et le pays d’origine ont un impact sur la probabilité qu’un e-mail soit du spam. Pour comprendre la relation entre ces deux variables prédictives et la probabilité qu’un e-mail soit du spam, les chercheurs peuvent effectuer une régression logistique.

La variable de réponse dans le modèle sera « spam » et elle a deux résultats potentiels :

  • L’e-mail est du spam.
  • L’e-mail n’est pas du spam.

Les résultats du modèle indiqueront à l’entreprise exactement comment les changements dans le nombre de mots et le pays d’origine affectent la probabilité qu’un e-mail donné soit du spam. L’entreprise peut également utiliser le modèle de régression logistique ajusté pour prédire la probabilité qu’un e-mail donné soit du spam, en fonction de son nombre de mots et de son pays d’origine.

Exemple réel de régression logistique n°4

Une société émettrice de cartes de crédit souhaite savoir si le montant de la transaction et le pointage de crédit ont un impact sur la probabilité qu’une transaction donnée soit frauduleuse. Pour comprendre la relation entre ces deux variables prédictives et la probabilité qu’une transaction soit frauduleuse, l’entreprise peut effectuer une régression logistique.

La variable de réponse dans le modèle sera « frauduleuse » et aura deux résultats potentiels :

  • La transaction est frauduleuse.
  • La transaction n’est pas frauduleuse.

Les résultats du modèle indiqueront à l’entreprise exactement comment les changements dans le montant de la transaction et la cote de crédit affectent la probabilité qu’une transaction donnée soit frauduleuse. L’entreprise peut également utiliser le modèle de régression logistique ajusté pour prédire la probabilité qu’une transaction donnée soit frauduleuse, en fonction du montant de la transaction et de la cote de crédit de la personne qui a effectué la transaction.

Ajouter un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *