4 beispiele für die verwendung der logistischen regression im wirklichen leben

Die logistische Regression ist eine statistische Methode, die wir verwenden, um ein Regressionsmodell anzupassen, wenn die Antwortvariable binär ist.

Dieses Tutorial zeigt vier verschiedene Beispiele für die Verwendung der logistischen Regression im wirklichen Leben.

Beispiel Nr. 1 für eine echte logistische Regression

Medizinische Forscher wollen wissen, wie sich Bewegung und Gewicht auf die Wahrscheinlichkeit eines Herzinfarkts auswirken. Um den Zusammenhang zwischen Prädiktorvariablen und der Wahrscheinlichkeit eines Herzinfarkts zu verstehen, können Forscher eine logistische Regression durchführen.

Die Antwortvariable im Modell wird ein Herzinfarkt sein und zwei mögliche Folgen haben:

• Es kommt zu einem Herzinfarkt.
• Ein Herzinfarkt kommt nicht vor.

Die Ergebnisse des Modells werden den Forschern genau sagen, wie sich Veränderungen bei Bewegung und Gewicht auf die Wahrscheinlichkeit eines Herzinfarkts bei einer bestimmten Person auswirken. Forscher können das angepasste logistische Regressionsmodell auch verwenden, um die Wahrscheinlichkeit eines Herzinfarkts einer bestimmten Person basierend auf ihrem Gewicht und der mit dem Training verbrachten Zeit vorherzusagen.

Beispiel Nr. 2 für eine echte logistische Regression

Forscher möchten wissen, wie sich GPA, ACT-Score und die Anzahl der belegten AP-Kurse auf die Wahrscheinlichkeit auswirken, an einer bestimmten Universität angenommen zu werden. Um die Beziehung zwischen Prädiktorvariablen und der Akzeptanzwahrscheinlichkeit zu verstehen, können Forscher eine logistische Regression durchführen.

Die Antwortvariable im Modell ist „Akzeptanz“ und hat zwei mögliche Ergebnisse:

• Ein Student wird angenommen.
• Ein Student wird nicht aufgenommen.

Die Ergebnisse des Modells werden den Forschern genau sagen, wie sich Änderungen des Notendurchschnitts, des ACT-Scores und der Anzahl der belegten AP-Kurse auf die Wahrscheinlichkeit auswirken, dass eine bestimmte Person an einer Hochschule angenommen wird. Forscher können das angepasste logistische Regressionsmodell auch verwenden, um die Wahrscheinlichkeit vorherzusagen, dass eine bestimmte Person angenommen wird, basierend auf ihrem Notendurchschnitt, ihrem ACT-Score und der Anzahl der belegten AP-Kurse.

Beispiel aus dem wirklichen Leben für eine logistische Regression Nr. 3

Ein Unternehmen möchte wissen, ob die Wortzahl und das Herkunftsland einen Einfluss auf die Wahrscheinlichkeit haben, dass es sich bei einer E-Mail um Spam handelt. Um die Beziehung zwischen diesen beiden Prädiktorvariablen und der Wahrscheinlichkeit, dass es sich bei einer E-Mail um Spam handelt, zu verstehen, können Forscher eine logistische Regression durchführen.

Die Antwortvariable in der Vorlage lautet „Spam“ und hat zwei mögliche Ergebnisse:

• Die E-Mail ist Spam.
• Die E-Mail ist kein Spam.

Die Ergebnisse des Modells werden dem Unternehmen genau sagen, wie sich Änderungen in der Wortzahl und im Herkunftsland auf die Wahrscheinlichkeit auswirken, dass es sich bei einer bestimmten E-Mail um Spam handelt. Das Unternehmen kann das angepasste logistische Regressionsmodell auch verwenden, um die Wahrscheinlichkeit vorherzusagen, dass es sich bei einer bestimmten E-Mail um Spam handelt, basierend auf der Wortzahl und dem Herkunftsland.

Beispiel Nr. 4 für eine echte logistische Regression

Ein Kreditkartenunternehmen möchte wissen, ob der Transaktionsbetrag und die Kreditwürdigkeit einen Einfluss auf die Wahrscheinlichkeit haben, dass eine bestimmte Transaktion betrügerisch ist. Um die Beziehung zwischen diesen beiden Prädiktorvariablen und der Wahrscheinlichkeit, dass eine Transaktion betrügerisch ist, zu verstehen, kann das Unternehmen eine logistische Regression durchführen.

Die Antwortvariable im Modell wird „betrügerisch“ sein und zwei mögliche Ergebnisse haben:

• Die Transaktion ist betrügerisch.
• Die Transaktion ist nicht betrügerisch.

Die Ergebnisse des Modells verraten dem Unternehmen genau, wie sich Änderungen des Transaktionsbetrags und der Kreditwürdigkeit auf die Wahrscheinlichkeit auswirken, dass eine bestimmte Transaktion betrügerisch ist. Das Unternehmen kann das angepasste logistische Regressionsmodell auch verwenden, um die Wahrscheinlichkeit vorherzusagen, dass eine bestimmte Transaktion betrügerisch ist, basierend auf dem Transaktionsbetrag und der Kreditwürdigkeit der Person, die die Transaktion durchgeführt hat.