现实生活中使用逻辑回归的 4 个示例

逻辑回归是一种统计方法，当响应变量是二元时，我们用它来拟合回归模型。

本教程展示了在现实生活中使用逻辑回归的四个不同示例。

真实 Logistic 回归示例 #1

医学研究人员想知道运动和体重如何影响心脏病发作的可能性。为了了解预测变量与心脏病发作的可能性之间的关系，研究人员可以进行逻辑回归。

模型中的响应变量将是心脏病发作，它将有两种潜在结果：

• 心脏病发作。
• 不会发生心脏病发作。

该模型的结果将准确地告诉研究人员运动和体重的变化如何影响特定个体心脏病发作的可能性。研究人员还可以使用拟合的逻辑回归模型根据特定个体的体重和锻炼时间来预测其心脏病发作的可能性。

实 Logistic 回归示例 #2

研究人员想知道 GPA、ACT 分数和修读的 AP 课程数量如何影响被特定大学录取的可能性。为了了解预测变量与被接受的可能性之间的关系，研究人员可以进行逻辑回归。

模型中的响应变量将是“接受”，它有两个潜在结果：

• 一名学生被录取。
• 不接受学生。

该模型的结果将准确地告诉研究人员，GPA、ACT 分数和 AP 课程数量的变化如何影响特定个人被大学录取的可能性。研究人员还可以使用拟合的逻辑回归模型，根据特定个人的 GPA、ACT 分数和修读的 AP 课程数量来预测其被录取的概率。

逻辑回归的现实例子#3

一家公司想知道字数和来源国家/地区是否会影响电子邮件为垃圾邮件的可能性。为了了解这两个预测变量与电子邮件为垃圾邮件的可能性之间的关系，研究人员可以执行逻辑回归。

模板中的响应变量将是“垃圾邮件”，它有两个潜在的结果：

• 该电子邮件是垃圾邮件。
• 该电子邮件不是垃圾邮件。

该模型的结果将准确告诉公司字数和来源国家/地区的变化如何影响给定电子邮件为垃圾邮件的可能性。该公司还可以使用拟合的逻辑回归模型，根据字数和来源国家/地区来预测给定电子邮件是垃圾邮件的可能性。

真实 Logistic 回归示例 #4

信用卡公司想知道交易金额和信用评分是否会影响特定交易欺诈的可能性。为了了解这两个预测变量之间的关系以及交易欺诈的可能性，公司可以执行逻辑回归。

模型中的响应变量将是“欺诈性的”，并将产生两种潜在结果：

• 该交易是欺诈性的。
• 该交易不存在欺诈行为。

模型的结果将准确地告诉企业交易金额和信用评分的变化如何影响给定交易欺诈的可能性。公司还可以使用拟合的逻辑回归模型，根据交易金额和交易者的信用评分来预测给定交易欺诈的可能性。