Beide Arten von Regressionsmodellen werden verwendet, um die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer Antwortvariablen<\/a> zu quantifizieren. Es gibt jedoch einige wesentliche Unterschiede zwischen den beiden Modellen:<\/span> <\/p>\n Hier ist eine Zusammenfassung der Unterschiede:<\/span><\/p>\n Unterschied Nr. 1: Antwortvariablentyp<\/strong><\/span><\/p>\n Ein lineares Regressionsmodell wird verwendet, wenn die Antwortvariable einen kontinuierlichen Wert annimmt, sodass:<\/span><\/p>\n Umgekehrt wird ein logistisches Regressionsmodell verwendet, wenn die Antwortvariable einen kategorialen Wert annimmt, wie zum Beispiel:<\/span><\/p>\n Unterschied Nr. 2: verwendete Gleichung<\/strong><\/span><\/p>\n Die lineare Regression verwendet die folgende Gleichung, um die Beziehung zwischen der\/den Pr\u00e4diktorvariablen und der Antwortvariablen zusammenzufassen:<\/span><\/p>\n Y = \u03b2 0<\/sub> + \u03b2 1<\/sub> X 1<\/sub> +<\/sub> \u03b2 2<\/sub> X 2<\/sub> + \u2026 + \u03b2 p<\/sub><\/span><\/p>\n Gold:<\/span><\/p>\n Umgekehrt verwendet die logistische Regression die folgende Gleichung:<\/span><\/p>\n p(X) = e \u03b2 0<\/sub> + \u03b2<\/sub> 1<\/sub> X<\/sub> 1<\/sub> +<\/sub> \u03b2<\/sub><\/sup> 2<\/sub> X<\/sub> 2<\/sub> +<\/sub> \u2026<\/sub> +<\/sub> \u03b2<\/sub><\/sup> p<\/span><\/p>\n Diese Gleichung wird verwendet, um die Wahrscheinlichkeit vorherzusagen, dass eine einzelne Beobachtung in eine bestimmte Kategorie f\u00e4llt.<\/span><\/p>\n Unterschied Nr. 3: Methode zur Anpassung der Gleichung<\/strong><\/span><\/p>\n Die lineare Regression verwendet eine Methode, die als gew\u00f6hnliche kleinste Quadrate<\/strong> bekannt ist, um die am besten passende Regressionsgleichung zu finden.<\/span><\/p>\n Umgekehrt verwendet die logistische Regression eine Methode namens Maximum-Likelihood-Sch\u00e4tzung<\/strong> , um die am besten passende Regressionsgleichung zu finden.<\/span><\/p>\n Unterschied Nr. 4: Die Ausgabe muss vorhergesagt werden<\/strong><\/span><\/p>\n Die lineare Regression sagt einen kontinuierlichen Wert als Ausgabe voraus. Zum Beispiel:<\/span><\/p>\n Umgekehrt sagt die logistische Regression Wahrscheinlichkeiten als Ergebnis voraus. Zum Beispiel:<\/span><\/p>\n Die folgenden \u00dcbungsaufgaben k\u00f6nnen Ihnen helfen, besser zu verstehen, wann Sie die logistische Regression oder die lineare Regression verwenden sollten.<\/span><\/p>\n Problem Nr. 1: Jahreseinkommen<\/strong><\/span><\/p>\n Angenommen, ein \u00d6konom m\u00f6chte Pr\u00e4diktorvariablen (1) w\u00f6chentliche Arbeitsstunden und (2) Bildungsjahre verwenden, um das Jahreseinkommen von Einzelpersonen vorherzusagen.<\/span><\/p>\n In diesem Szenario w\u00fcrde er die lineare Regression<\/strong> verwenden, da die Antwortvariable (Jahreseinkommen) kontinuierlich ist.<\/span><\/p>\n Problem Nr. 2: Hochschulakzeptanz<\/strong><\/span><\/p>\n Angenommen, ein Hochschulzulassungsbeamter m\u00f6chte die Pr\u00e4diktorvariablen (1) GPA und (2) ACT-Score verwenden, um die Wahrscheinlichkeit vorherzusagen, mit der ein Student an einer bestimmten Universit\u00e4t angenommen wird.<\/span><\/p>\n In diesem Szenario w\u00fcrde sie die logistische Regression<\/strong> verwenden, da die Antwortvariable kategorisch ist und nur zwei Werte annehmen kann: akzeptiert oder nicht akzeptiert.<\/span><\/p>\n Problem Nr. 3: Immobilienpreise<\/strong><\/span><\/p>\n Angenommen, ein Immobilienmakler m\u00f6chte die Pr\u00e4diktorvariablen (1) Quadratmeterzahl, (2) Anzahl der Schlafzimmer und (3) Anzahl der Badezimmer verwenden, um die Verkaufspreise von H\u00e4usern vorherzusagen.<\/span><\/p>\n In diesem Szenario w\u00fcrde sie die lineare Regression<\/strong> verwenden, da die Antwortvariable (Preis) kontinuierlich ist.<\/span><\/p>\n Problem Nr. 4: Spam-Erkennung<\/strong><\/span><\/p>\n Angenommen, ein Computerprogrammierer m\u00f6chte die Pr\u00e4diktorvariablen (1) Wortanzahl und (2) Herkunftsland verwenden, um die Wahrscheinlichkeit vorherzusagen, dass es sich bei einer bestimmten E-Mail um Spam handelt.<\/span><\/p>\n In diesem Szenario w\u00fcrde die logistische Regression<\/strong> verwendet, da die Antwortvariable kategorisch ist und nur zwei Werte annehmen kann: Spam oder kein Spam.<\/span><\/p>\n Die folgenden Tutorials bieten weitere Details zur linearen Regression:<\/span><\/p>\n Die folgenden Tutorials bieten weitere Details zur logistischen Regression:<\/span><\/p>\n Zwei der am h\u00e4ufigsten verwendeten Regressionsmodelle sind die lineare Regression und die logistische Regression . Beide Arten von Regressionsmodellen werden verwendet, um die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer Antwortvariablen zu quantifizieren. Es gibt jedoch einige wesentliche Unterschiede zwischen den beiden Modellen: Hier ist eine Zusammenfassung der Unterschiede: Unterschied Nr. 1: Antwortvariablentyp Ein […]<\/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":"\n![\"logistische](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/lineaire_vs_logistique1-1.png\")
<\/p>\n\n
\n
\n
\n
\n
Wann sollte eine logistische oder lineare Regression verwendet werden?<\/strong><\/span><\/h3>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
\n
\n