{"id":1154,"date":"2023-07-27T11:31:28","date_gmt":"2023-07-27T11:31:28","guid":{"rendered":"https:\/\/statorials.org\/de\/logistische-regressionspython\/"},"modified":"2023-07-27T11:31:28","modified_gmt":"2023-07-27T11:31:28","slug":"logistische-regressionspython","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/logistische-regressionspython\/","title":{"rendered":"So f\u00fchren sie eine logistische regression in python durch (schritt f\u00fcr schritt)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><a href=\"https:\/\/statorials.org\/de\/logistische-regression-1\/\" target=\"_blank\" rel=\"noopener noreferrer\">Die logistische Regression<\/a> ist eine Methode, mit der wir ein Regressionsmodell anpassen k\u00f6nnen, wenn die <a href=\"https:\/\/statorials.org\/de\/variablen-erklarende-antworten\/\" target=\"_blank\" rel=\"noopener noreferrer\">Antwortvariable<\/a> bin\u00e4r ist.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Die logistische Regression verwendet eine als <em>Maximum-Likelihood-Sch\u00e4tzung<\/em> bekannte Methode, um eine Gleichung der folgenden Form zu finden:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>log[p(X) \/ ( <sub>1<\/sub> -p(X))] = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> X <sub>1<\/sub> + \u03b2 <sub>2<\/sub> X <sub>2<\/sub> + \u2026 + \u03b2 <sub>p<\/sub><\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Gold:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>X <sub>j<\/sub><\/strong> : die j <sup>-te<\/sup> Vorhersagevariable<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>\u03b2 <sub>j<\/sub><\/strong> : Sch\u00e4tzung des Koeffizienten f\u00fcr die j <sup>-te<\/sup> Vorhersagevariable<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Die Formel auf der rechten Seite der Gleichung sagt die <strong>logarithmische Wahrscheinlichkeit<\/strong> voraus, dass die Antwortvariable den Wert 1 annimmt.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Wenn wir also ein logistisches Regressionsmodell anpassen, k\u00f6nnen wir die folgende Gleichung verwenden, um die Wahrscheinlichkeit zu berechnen, dass eine bestimmte Beobachtung den Wert 1 annimmt:<\/span><\/p>\n<p> <span style=\"color: #000000;\">p(X) = e <sup>\u03b2 <sub>0<\/sub> + <sub>\u03b2<\/sub> <sub>1<\/sub> <sub>X<\/sub> <sub>1<\/sub> <sub>+<\/sub> <sub>\u03b2<\/sub><\/sup> <sup><sub>2<\/sub> <sub>X<\/sub> <sub>2<\/sub> <sub>+<\/sub> <sub>\u2026<\/sub> <sub>+<\/sub> <sub>\u03b2<\/sub><\/sup> p<\/span><\/p>\n<p> <span style=\"color: #000000;\">Anschlie\u00dfend verwenden wir einen bestimmten Wahrscheinlichkeitsschwellenwert, um die Beobachtung als 1 oder 0 zu klassifizieren.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Beispielsweise k\u00f6nnten wir sagen, dass Beobachtungen mit einer Wahrscheinlichkeit gr\u00f6\u00dfer oder gleich 0,5 als \u201e1\u201c und alle anderen Beobachtungen als \u201e0\u201c klassifiziert werden.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Durchf\u00fchrung einer logistischen Regression in R.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Schritt 1: Importieren Sie die erforderlichen Pakete<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Zuerst importieren wir die notwendigen Pakete, um eine logistische Regression in Python durchzuf\u00fchren:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008000;\">import<\/span> pandas <span style=\"color: #008000;\">as<\/span> pd\n<span style=\"color: #008000;\">import<\/span> numpy <span style=\"color: #008000;\">as<\/span> np\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">model_selection<\/span> <span style=\"color: #008000;\">import<\/span> train_test_split\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">linear_model<\/span> <span style=\"color: #008000;\">import<\/span> LogisticRegression\n<span style=\"color: #008000;\">from<\/span> sklearn <span style=\"color: #008000;\">import<\/span> metrics\n<span style=\"color: #008000;\">import<\/span> matplotlib. <span style=\"color: #3366ff;\">pyplot<\/span> <span style=\"color: #008000;\">as<\/span> plt\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Schritt 2: Daten laden<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">F\u00fcr dieses Beispiel verwenden wir den <strong>Standarddatensatz<\/strong> aus dem <a href=\"https:\/\/www.ime.unicamp.br\/~dias\/Intoduction%20to%20Statistical%20Learning.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Buch Introduction to Statistical Learning<\/a> . Mit dem folgenden Code k\u00f6nnen wir eine Zusammenfassung des Datensatzes laden und anzeigen:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#import dataset from CSV file on Github\n<span style=\"color: #000000;\">url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/default.csv\"\ndata = pd. <span style=\"color: #3366ff;\">read_csv<\/span> (url)\n<\/span><\/span>\n<span style=\"color: #008080;\">#view first six rows of dataset\n<\/span>data[0:6]\n\n        default student balance income\n0 0 0 729.526495 44361.625074\n1 0 1 817.180407 12106.134700\n2 0 0 1073.549164 31767.138947\n3 0 0 529.250605 35704.493935\n4 0 0 785.655883 38463.495879\n5 0 1 919.588530 7491.558572  \n\n<span style=\"color: #008080;\">#find total observations in dataset<\/span>\nlen( <span style=\"color: #3366ff;\">data.index<\/span> )\n\n10000\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Dieser Datensatz enth\u00e4lt die folgenden Informationen zu 10.000 Personen:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>Standard:<\/strong> Gibt an, ob eine Person in Verzug geraten ist oder nicht.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>Student:<\/strong> gibt an, ob eine Person Student ist oder nicht.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>Guthaben:<\/strong> Durchschnittliches Guthaben einer Person.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>Einkommen:<\/strong> Einkommen des Einzelnen.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Wir werden Studentenstatus, Bankguthaben und Einkommen verwenden, um ein logistisches Regressionsmodell zu erstellen, das die Wahrscheinlichkeit vorhersagt, dass eine bestimmte Person zahlungsunf\u00e4hig wird.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Schritt 3: Erstellen Sie Trainings- und Testbeispiele<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Als N\u00e4chstes teilen wir den Datensatz in einen Trainingssatz zum <em>Trainieren<\/em> des Modells und einen Testsatz <em>zum Testen<\/em> des Modells auf.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define the predictor variables and the response variable\n<\/span>X = data[[' <span style=\"color: #008000;\">student<\/span> ',' <span style=\"color: #008000;\">balance<\/span> ',' <span style=\"color: #008000;\">income<\/span> ']]\ny = data[' <span style=\"color: #008000;\">default<\/span> ']\n\n<span style=\"color: #008080;\">#split the dataset into training (70%) and testing (30%) sets\n<\/span>X_train,X_test,y_train,y_test = <span style=\"color: #3366ff;\">train_test_split<\/span> (X,y,test_size=0.3,random_state=0)<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Schritt 4: Passen Sie das logistische Regressionsmodell an<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Als N\u00e4chstes verwenden wir die Funktion <b>LogisticRegression(),<\/b> um ein logistisches Regressionsmodell an den Datensatz anzupassen:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#instantiate the model\n<\/span>log_regression = LogisticRegression()\n\n<span style=\"color: #008080;\">#fit the model using the training data\n<\/span>log_regression. <span style=\"color: #3366ff;\">fit<\/span> (X_train,y_train)\n\n<span style=\"color: #008080;\">#use model to make predictions on test data\n<\/span>y_pred = log_regression. <span style=\"color: #3366ff;\">predict<\/span> (X_test)\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Schritt 5: Modelldiagnose<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Sobald wir das Regressionsmodell angepasst haben, k\u00f6nnen wir die Leistung unseres Modells anhand des Testdatensatzes analysieren.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Zuerst erstellen wir die Verwirrungsmatrix<\/span> <span style=\"color: #000000;\">f\u00fcr das Modell:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><strong>cnf_matrix = metrics. <span style=\"color: #3366ff;\">confusion_matrix<\/span> (y_test, y_pred)\ncnf_matrix\n\narray([[2886, 1],\n       [113,0]])\n<\/strong><\/span><\/pre>\n<p> <span style=\"color: #000000;\">Aus der Verwirrungsmatrix k\u00f6nnen wir Folgendes ersehen:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">#Echt positive Vorhersagen: 2886<\/span><\/li>\n<li> <span style=\"color: #000000;\">#Echte negative Vorhersagen: 0<\/span><\/li>\n<li> <span style=\"color: #000000;\">#Falsch positive Vorhersagen: 113<\/span><\/li>\n<li> <span style=\"color: #000000;\">#Falsch negative Vorhersagen: 1<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Wir k\u00f6nnen auch das Genauigkeitsmodell abrufen, das uns den Prozentsatz der vom Modell getroffenen Korrekturvorhersagen angibt:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong>print(\" <span style=\"color: #008000;\">Accuracy:<\/span> \", <span style=\"color: #3366ff;\">metrics.accuracy_score<\/span> (y_test, y_pred))l\n\nAccuracy: 0.962\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Dies sagt uns, dass das Modell in <strong>96,2 %<\/strong> der F\u00e4lle die richtige Vorhersage dar\u00fcber getroffen hat, ob eine Person ausfallen w\u00fcrde oder nicht.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Schlie\u00dflich k\u00f6nnen wir die ROC-Kurve (Receiver Operating Characteristic) zeichnen, die den Prozentsatz der vom Modell vorhergesagten echten positiven Ergebnisse anzeigt, wenn der Schwellenwert f\u00fcr die Vorhersagewahrscheinlichkeit von 1 auf 0 gesenkt wird.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Je h\u00f6her die AUC (Fl\u00e4che unter der Kurve) ist, desto genauer kann unser Modell die Ergebnisse vorhersagen:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><strong><span style=\"color: #008080;\">#define metrics<\/span>\ny_pred_proba = log_regression. <span style=\"color: #3366ff;\">predict_proba<\/span> (X_test)[::,1]\nfpr, tpr, _ = metrics. <span style=\"color: #3366ff;\">roc_curve<\/span> (y_test, y_pred_proba)\nauc = metrics. <span style=\"color: #3366ff;\">roc_auc_score<\/span> (y_test, y_pred_proba)\n\n<span style=\"color: #008080;\">#create ROC curve\n<\/span>plt. <span style=\"color: #3366ff;\">plot<\/span> (fpr,tpr,label=\" <span style=\"color: #008000;\">AUC=<\/span> \"+str(auc))\nplt. <span style=\"color: #3366ff;\">legend<\/span> (loc=4)\nplt. <span style=\"color: #3366ff;\">show<\/span> ()\n<\/strong><\/span><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11591 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/auc1.png\" alt=\"ROC-Kurve in Python\" width=\"389\" height=\"262\" srcset=\"\" sizes=\"\"><\/p>\n<div class=\"entry-content entry-content-single\" data-content-ads-inserted=\"true\">\n<p> <em><span style=\"color: #000000;\">Den vollst\u00e4ndigen in diesem Tutorial verwendeten Python-Code finden Sie <a href=\"https:\/\/github.com\/Statorials\/Python-Guides\/blob\/main\/logistic_regression.py\" target=\"_blank\" rel=\"noopener noreferrer\">hier<\/a> .<\/span><\/em><\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"<p>Die logistische Regression ist eine Methode, mit der wir ein Regressionsmodell anpassen k\u00f6nnen, wenn die Antwortvariable bin\u00e4r ist. Die logistische Regression verwendet eine als Maximum-Likelihood-Sch\u00e4tzung bekannte Methode, um eine Gleichung der folgenden Form zu finden: log[p(X) \/ ( 1 -p(X))] = \u03b2 0 + \u03b2 1 X 1 + \u03b2 2 X 2 + \u2026 [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>So f\u00fchren Sie eine logistische Regression in Python durch (Schritt f\u00fcr Schritt) \u2013 Statistik<\/title>\n<meta name=\"description\" content=\"In diesem Tutorial wird erl\u00e4utert, wie Sie eine logistische Regression in Python durchf\u00fchren, einschlie\u00dflich eines Schritt-f\u00fcr-Schritt-Beispiels.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/de\/logistische-regressionspython\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"So f\u00fchren Sie eine logistische Regression in Python durch (Schritt f\u00fcr Schritt) \u2013 Statistik\" \/>\n<meta property=\"og:description\" content=\"In diesem Tutorial wird erl\u00e4utert, wie Sie eine logistische Regression in Python durchf\u00fchren, einschlie\u00dflich eines Schritt-f\u00fcr-Schritt-Beispiels.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/de\/logistische-regressionspython\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T11:31:28+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/auc1.png\" \/>\n<meta name=\"author\" content=\"Dr. Benjamin Anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Dr. Benjamin Anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"4 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/de\/logistische-regressionspython\/\",\"url\":\"https:\/\/statorials.org\/de\/logistische-regressionspython\/\",\"name\":\"So f\u00fchren Sie eine logistische Regression in Python durch (Schritt f\u00fcr Schritt) \u2013 Statistik\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/de\/#website\"},\"datePublished\":\"2023-07-27T11:31:28+00:00\",\"dateModified\":\"2023-07-27T11:31:28+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/de\/#\/schema\/person\/ec75c4d6365f2708f8a0ad3a42121aa0\"},\"description\":\"In diesem Tutorial wird erl\u00e4utert, wie Sie eine logistische Regression in Python durchf\u00fchren, einschlie\u00dflich eines Schritt-f\u00fcr-Schritt-Beispiels.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/de\/logistische-regressionspython\/#breadcrumb\"},\"inLanguage\":\"de-DE\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/de\/logistische-regressionspython\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/de\/logistische-regressionspython\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Heim\",\"item\":\"https:\/\/statorials.org\/de\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"So f\u00fchren sie eine logistische regression in python durch (schritt f\u00fcr schritt)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/de\/#website\",\"url\":\"https:\/\/statorials.org\/de\/\",\"name\":\"Statorials\",\"description\":\"Ihr Leitfaden f\u00fcr statistische Kompetenz !\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/de\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de-DE\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/de\/#\/schema\/person\/ec75c4d6365f2708f8a0ad3a42121aa0\",\"name\":\"Dr. Benjamin Anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/statorials.org\/de\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/statorials.org\/de\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"https:\/\/statorials.org\/de\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg\",\"caption\":\"Dr. Benjamin Anderson\"},\"description\":\"Hallo, ich bin Benjamin, ein pensionierter Statistikprofessor, der sich zum engagierten Statorials-Lehrer entwickelt hat. Mit umfassender Erfahrung und Fachwissen auf dem Gebiet der Statistik bin ich bestrebt, mein Wissen zu teilen, um Studenten durch Statorials zu bef\u00e4higen. Mehr wissen\",\"sameAs\":[\"https:\/\/statorials.org\/de\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"So f\u00fchren Sie eine logistische Regression in Python durch (Schritt f\u00fcr Schritt) \u2013 Statistik","description":"In diesem Tutorial wird erl\u00e4utert, wie Sie eine logistische Regression in Python durchf\u00fchren, einschlie\u00dflich eines Schritt-f\u00fcr-Schritt-Beispiels.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/de\/logistische-regressionspython\/","og_locale":"de_DE","og_type":"article","og_title":"So f\u00fchren Sie eine logistische Regression in Python durch (Schritt f\u00fcr Schritt) \u2013 Statistik","og_description":"In diesem Tutorial wird erl\u00e4utert, wie Sie eine logistische Regression in Python durchf\u00fchren, einschlie\u00dflich eines Schritt-f\u00fcr-Schritt-Beispiels.","og_url":"https:\/\/statorials.org\/de\/logistische-regressionspython\/","og_site_name":"Statorials","article_published_time":"2023-07-27T11:31:28+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/auc1.png"}],"author":"Dr. Benjamin Anderson","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Dr. Benjamin Anderson","Gesch\u00e4tzte Lesezeit":"4 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/de\/logistische-regressionspython\/","url":"https:\/\/statorials.org\/de\/logistische-regressionspython\/","name":"So f\u00fchren Sie eine logistische Regression in Python durch (Schritt f\u00fcr Schritt) \u2013 Statistik","isPartOf":{"@id":"https:\/\/statorials.org\/de\/#website"},"datePublished":"2023-07-27T11:31:28+00:00","dateModified":"2023-07-27T11:31:28+00:00","author":{"@id":"https:\/\/statorials.org\/de\/#\/schema\/person\/ec75c4d6365f2708f8a0ad3a42121aa0"},"description":"In diesem Tutorial wird erl\u00e4utert, wie Sie eine logistische Regression in Python durchf\u00fchren, einschlie\u00dflich eines Schritt-f\u00fcr-Schritt-Beispiels.","breadcrumb":{"@id":"https:\/\/statorials.org\/de\/logistische-regressionspython\/#breadcrumb"},"inLanguage":"de-DE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/de\/logistische-regressionspython\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/de\/logistische-regressionspython\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Heim","item":"https:\/\/statorials.org\/de\/"},{"@type":"ListItem","position":2,"name":"So f\u00fchren sie eine logistische regression in python durch (schritt f\u00fcr schritt)"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/de\/#website","url":"https:\/\/statorials.org\/de\/","name":"Statorials","description":"Ihr Leitfaden f\u00fcr statistische Kompetenz !","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/de\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de-DE"},{"@type":"Person","@id":"https:\/\/statorials.org\/de\/#\/schema\/person\/ec75c4d6365f2708f8a0ad3a42121aa0","name":"Dr. Benjamin Anderson","image":{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/statorials.org\/de\/#\/schema\/person\/image\/","url":"https:\/\/statorials.org\/de\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg","contentUrl":"https:\/\/statorials.org\/de\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg","caption":"Dr. Benjamin Anderson"},"description":"Hallo, ich bin Benjamin, ein pensionierter Statistikprofessor, der sich zum engagierten Statorials-Lehrer entwickelt hat. Mit umfassender Erfahrung und Fachwissen auf dem Gebiet der Statistik bin ich bestrebt, mein Wissen zu teilen, um Studenten durch Statorials zu bef\u00e4higen. Mehr wissen","sameAs":["https:\/\/statorials.org\/de"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/posts\/1154"}],"collection":[{"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/comments?post=1154"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/posts\/1154\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/media?parent=1154"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/categories?post=1154"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/tags?post=1154"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}