Entrambi i tipi di modelli di regressione vengono utilizzati per quantificare la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta<\/a> , ma esistono alcune differenze chiave tra i due modelli:<\/span> <\/p>\n Ecco un riepilogo delle differenze:<\/span><\/p>\n Differenza n. 1: tipo di variabile di risposta<\/strong><\/span><\/p>\n Un modello di regressione lineare viene utilizzato quando la variabile di risposta assume un valore continuo tale che:<\/span><\/p>\n Al contrario, un modello di regressione logistica viene utilizzato quando la variabile di risposta assume un valore categoriale come:<\/span><\/p>\n Differenza n. 2: equazione utilizzata<\/strong><\/span><\/p>\n La regressione lineare utilizza la seguente equazione per riassumere la relazione tra le variabili predittive e la variabile di risposta:<\/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 Oro:<\/span><\/p>\n Al contrario, la regressione logistica utilizza la seguente equazione:<\/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 Questa equazione viene utilizzata per prevedere la probabilit\u00e0 che una singola osservazione rientri in una determinata categoria.<\/span><\/p>\n Differenza n. 3: metodo utilizzato per adattare l’equazione<\/strong><\/span><\/p>\n La regressione lineare utilizza un metodo noto come minimi quadrati ordinari<\/strong> per trovare l’equazione di regressione pi\u00f9 adatta.<\/span><\/p>\n Al contrario, la regressione logistica utilizza un metodo noto come stima di massima verosimiglianza<\/strong> per trovare l’equazione di regressione pi\u00f9 adatta.<\/span><\/p>\n Differenza n. 4: output da prevedere<\/strong><\/span><\/p>\n La regressione lineare prevede un valore continuo come output. Per esempio:<\/span><\/p>\n Al contrario, la regressione logistica prevede le probabilit\u00e0 come risultato. Per esempio:<\/span><\/p>\n I seguenti problemi pratici possono aiutarti a comprendere meglio quando utilizzare la regressione logistica o la regressione lineare.<\/span><\/p>\n Problema n. 1: reddito annuo<\/strong><\/span><\/p>\n Supponiamo che un economista voglia utilizzare variabili predittive (1) ore settimanali lavorate e (2) anni di istruzione per prevedere il reddito annuale degli individui.<\/span><\/p>\n In questo scenario utilizzerebbe la regressione lineare<\/strong> perch\u00e9 la variabile di risposta (reddito annuo) \u00e8 continua.<\/span><\/p>\n Problema n. 2: accettazione al college<\/strong><\/span><\/p>\n Supponiamo che un funzionario addetto alle ammissioni al college desideri utilizzare le variabili predittive (1) GPA e (2) punteggio ACT per prevedere la probabilit\u00e0 che uno studente venga accettato in una determinata universit\u00e0.<\/span><\/p>\n In questo scenario utilizzerebbe la regressione logistica<\/strong> perch\u00e9 la variabile di risposta \u00e8 categoriale e pu\u00f2 assumere solo due valori: accettato o non accettato.<\/span><\/p>\n Problema n. 3: prezzi degli immobili<\/strong><\/span><\/p>\n Supponiamo che un agente immobiliare desideri utilizzare le variabili predittive (1) metratura, (2) numero di camere da letto e (3) numero di bagni per prevedere i prezzi di vendita delle case.<\/span><\/p>\n In questo scenario utilizzerebbe la regressione lineare<\/strong> perch\u00e9 la variabile di risposta (prezzo) \u00e8 continua.<\/span><\/p>\n Problema n. 4: rilevamento dello spam<\/strong><\/span><\/p>\n Supponiamo che un programmatore di computer voglia utilizzare le variabili predittive (1) conteggio delle parole e (2) paese di origine per prevedere la probabilit\u00e0 che una determinata email sia spam.<\/span><\/p>\n In questo scenario, utilizzerebbe la regressione logistica<\/strong> perch\u00e9 la variabile di risposta \u00e8 categoriale e pu\u00f2 assumere solo due valori: spam o non spam.<\/span><\/p>\n I seguenti tutorial offrono maggiori dettagli sulla regressione lineare:<\/span><\/p>\n Le seguenti esercitazioni offrono maggiori dettagli sulla regressione logistica:<\/span><\/p>\n Due dei modelli di regressione pi\u00f9 comunemente utilizzati sono la regressione lineare e la regressione logistica . Entrambi i tipi di modelli di regressione vengono utilizzati per quantificare la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta , ma esistono alcune differenze chiave tra i due modelli: Ecco un riepilogo delle […]<\/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![\"regressione](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/lineaire_vs_logistique1-1.png\")
<\/p>\n\n
\n
\n
\n
\n
Quando utilizzare la regressione logistica o lineare<\/strong><\/span><\/h3>\n
Risorse addizionali<\/strong><\/span><\/h3>\n
\n
\n