逻辑回归的 3 种类型（包括示例）
逻辑回归是指响应变量是分类的任何回归模型。
逻辑回归模型分为三种类型：
- 二元逻辑回归：响应变量只能属于两个类别之一。
- 多项逻辑回归：响应变量可以属于三个或更多类别之一，并且类别之间没有自然顺序。
- 序数逻辑回归：响应变量可以属于三个或更多类别之一，并且类别之间存在自然顺序。
下表总结了这些差异：
本教程提供了每种类型的逻辑回归模型的简要说明以及每种类型的示例。
类型#1：二元逻辑回归
二元逻辑回归模型是逻辑回归的一种，其中响应变量只能分为两类。
这里有些例子：
示例 1：NBA 选秀
假设一位体育数据科学家想要使用预测变量 (1) 得分、(2) 篮板和 (3) 助攻来预测给定大学篮球运动员被选入 NBA 的可能性。
由于响应变量只有两种可能的结果（书面或不书面），因此数据科学家将使用二项式逻辑回归模型。
示例 2：垃圾邮件检测
假设一家公司想要使用预测变量 (1) 字数和 (2) 来源国家/地区来预测给定电子邮件是垃圾邮件的可能性。
由于响应变量只有两种可能的结果（垃圾邮件或非垃圾邮件），因此该公司将使用二项式逻辑回归模型。
类型 n°2：多项逻辑回归
多项逻辑回归模型是逻辑回归的一种，其中响应变量可以落入三个或更多类别中的一个，并且类别之间没有自然顺序。
这里有些例子：
示例 1：政治偏好
假设一位政治科学家想要使用预测变量 (1) 年收入和 (2) 受教育年限来预测一个人投票给四位不同总统候选人之一的概率。
由于响应变量有两个以上可能的结果（有四个潜在候选者），并且结果之间没有自然顺序，因此政治科学家将使用多项逻辑回归模型。
示例 2：运动偏好
假设体育分析师想要使用预测变量 (1) 每周看电视的时间和 (2) 年龄来预测个人选择篮球、橄榄球或棒球作为他们最喜欢的运动的概率。
由于响应变量有两种以上可能的结果（共有三种运动），因此运动分析师将使用多项逻辑回归模型。
类型#3：序数逻辑回归
序数逻辑回归模型是逻辑回归的一种类型，其中响应变量可以落入三个或更多类别中的一个，并且类别之间存在自然排序。
这里有些例子：
示例 1：学校评估
假设大学辅导员想要使用预测变量 (1) GPA、(2) ACT 分数和 (3) SAT 分数来预测个人进入可能被归类为“差”、“平庸”大学的可能性。 »、“好”或“很棒”。
由于响应变量有两种以上可能的结果（学校质量有四种分类），并且结果之间存在自然排序，因此学校辅导员将使用序数逻辑回归模型。
示例 2：电影分级
假设电影评论家想要使用预测变量 (1) 总播放时间和 (2) 类型来预测给定电影获得 1 到 10 之间评级的概率。
由于响应变量有两种以上可能的结果（有 10 个可能的评级），并且结果之间存在自然排序，因此影评人将使用序数逻辑回归模型。
其他资源
以下教程提供了有关逻辑回归模型的更多详细信息：
关于作者
本杰明·安德森博
大家好，我是本杰明，一位退休的统计学教授，后来成为 Statorials 的热心教师。 凭借在统计领域的丰富经验和专业知识，我渴望分享我的知识，通过 Statorials 增强学生的能力。了解更多