4 przykłady wykorzystania regresji logistycznej w życiu codziennym

Regresja logistyczna to metoda statystyczna, której używamy do dopasowania modelu regresji, gdy zmienna odpowiedzi jest binarna.

W tym samouczku przedstawiono cztery różne przykłady zastosowania regresji logistycznej w prawdziwym życiu.

Przykład prawdziwej regresji logistycznej nr 1

Badacze medyczni chcą wiedzieć, jak ćwiczenia i waga wpływają na prawdopodobieństwo zawału serca. Aby zrozumieć związek między zmiennymi predykcyjnymi a prawdopodobieństwem zawału serca, badacze mogą przeprowadzić regresję logistyczną.

Zmienną odpowiedzi w modelu będzie zawał serca, który będzie miał dwa potencjalne skutki:

• Dochodzi do zawału serca.
• Zawał serca nie występuje.

Wyniki modelu powiedzą badaczom dokładnie, jak zmiany w ćwiczeniach i wadze wpływają na prawdopodobieństwo zawału serca u danej osoby. Naukowcy mogą również wykorzystać dopasowany model regresji logistycznej, aby przewidzieć prawdopodobieństwo zawału serca u danej osoby na podstawie jej masy ciała i czasu spędzonego na ćwiczeniach.

Przykład prawdziwej regresji logistycznej nr 2

Naukowcy chcą wiedzieć, jak średnia ocen GPA, ACT i liczba odbytych kursów AP wpływają na prawdopodobieństwo przyjęcia na konkretną uczelnię. Aby zrozumieć związek między zmiennymi predykcyjnymi a prawdopodobieństwem akceptacji, badacze mogą przeprowadzić regresję logistyczną.

Zmienną odpowiedzi w modelu będzie „akceptacja” i ma ona dwa potencjalne wyniki:

• Student zostaje przyjęty.
• Student nie jest przyjmowany.

Wyniki modelu powiedzą badaczom dokładnie, jak zmiany w GPA, wynikach ACT i liczbie odbytych kursów AP wpływają na prawdopodobieństwo przyjęcia danej osoby na studia. Badacze mogą również skorzystać z dopasowanego modelu regresji logistycznej, aby przewidzieć prawdopodobieństwo przyjęcia danej osoby na podstawie jej ocen GPA, wyniku ACT i liczby odbytych kursów AP.

Prawdziwy przykład regresji logistycznej nr 3

Firma chce wiedzieć, czy liczba słów i kraj pochodzenia wpływają na prawdopodobieństwo, że wiadomość e-mail jest spamem. Aby zrozumieć związek między tymi dwiema zmiennymi predykcyjnymi a prawdopodobieństwem, że wiadomość e-mail jest spamem, badacze mogą przeprowadzić regresję logistyczną.

Zmienną odpowiedzi w szablonie będzie „spam” i ma ona dwa potencjalne skutki:

• Wiadomość e-mail jest spamem.
• Wiadomość e-mail nie jest spamem.

Wyniki modelu powiedzą firmie dokładnie, jak zmiany w liczbie słów i kraju pochodzenia wpływają na prawdopodobieństwo, że dana wiadomość e-mail jest spamem. Firma może również skorzystać z dopasowanego modelu regresji logistycznej, aby przewidzieć prawdopodobieństwo, że dana wiadomość e-mail jest spamem, na podstawie liczby słów w niej zawartej i kraju pochodzenia.

Przykład prawdziwej regresji logistycznej nr 4

Wystawca karty kredytowej chce wiedzieć, czy kwota transakcji i ocena zdolności kredytowej wpływają na prawdopodobieństwo, że dana transakcja jest fałszywa. Aby zrozumieć związek między tymi dwiema zmiennymi predykcyjnymi a prawdopodobieństwem oszukańczej transakcji, firma może przeprowadzić regresję logistyczną.

Zmienna odpowiedzi w modelu będzie „fałszywa” i będzie miała dwa potencjalne skutki:

• Transakcja jest oszukańcza.
• Transakcja nie jest oszukańcza.

Wyniki modelu powiedzą firmie dokładnie, jak zmiany kwoty transakcji i oceny zdolności kredytowej wpływają na prawdopodobieństwo, że dana transakcja jest oszukańcza. Firma może również skorzystać z dopasowanego modelu regresji logistycznej, aby przewidzieć prawdopodobieństwo, że dana transakcja jest oszukańcza, na podstawie kwoty transakcji i oceny zdolności kredytowej osoby, która dokonała transakcji.