Логистическая регрессия против линейной регрессии

Разница между логистической регрессией и линейной регрессией

В логистической регрессии по сравнению с линейной регрессией логистическая регрессия оценивает вероятность события, происходящего на основе независимых переменных, а линейная регрессия предсказывает значение зависимой переменной на основе независимой переменной.

Поскольку логистическая регрессия оценивает вероятность, на выходе будет число от 0 до 1; зависимая переменная находится в двоичной форме. В случае линейной регрессии зависимая переменная (переменная отклика) является непрерывной.

Программы для Windows, мобильные приложения, игры - ВСЁ БЕСПЛАТНО, в нашем закрытом телеграмм канале - Подписывайтесь:)

Оглавление

Разница между логистической регрессией и линейной регрессией

Логистическая регрессия против линейной регрессии в машинном обучении — это алгоритмы для анализа данных, образцов и ситуаций и получения возможных изменений, сценариев или результатов.
В линейной регрессии аналитики ищут значения зависимых переменных, а результат является примером постоянного значения. В случае логистической регрессии результат является категоричным.
Значение результата логистической регрессии может быть да или нет, 1 или 2, истина или ложь. Напротив, результаты линейной регрессии являются непрерывными значениями.

Сравнительная таблица — логистическая регрессия и линейная регрессия

ПодробностиЛогистическая регрессияЛинейная регрессияОпределениеМетод используется для моделирования вероятности события или результата, прогнозирования категории зависимой переменной (переменной результата). Метод используется для прогнозирования значения зависимой переменной, когда зависимая переменная непрерывна.ЦельМетод использует независимые переменные для прогнозирования категориальной зависимой переменной. Метод использует независимые переменные для прогнозирования непрерывной зависимой переменной.РешаетПодходит для задач классификации. Решает проблемы регрессии.ВыходПеременная ответа является категориальной, например, да или нет, 1 или 2, истина или ложь. Переменная ответа непрерывна.СоздаетПроизводит S-curveLine наилучшего соответствияЛинейная связьЛинейная зависимость между зависимыми и независимыми переменными не обязательна. Линейная зависимость между зависимой переменной и независимой переменной. МультиколлинеарностьКорреляция между независимыми переменными неприемлема. Корреляция между независимыми переменными приемлема.Методы, используемые для оценки точности, включаютОценка максимального правдоподобияМетод наименьших квадратов

Что такое логистическая регрессия?

Приложение логистической регрессии популярно в классификации и прогнозной аналитике. Метод оценивает результат в виде вероятности на основе независимых переменных. Уравнение логистической регрессии содержит зависимую переменную, независимую переменную, бета-параметр, коэффициент и компонент ошибки.

Во-первых, лучший бета-параметр или коэффициент оценивается с использованием оценки максимального правдоподобия (MLE) таким образом, чтобы получить наилучшее соответствие. Затем следует расчет вероятности. Значение вероятности находится только между 0 и 1. Чтобы понять бинарную классификацию, рассмотрим пример, если вероятность меньше 0,5, результат будет 0, а если вероятность очень близка к 1, то выход будет быть 1.

Логистическую регрессию подразделяют на три типа: бинарную, полиномиальную и порядковую. В бинарном типе зависимая переменная имеет значение либо 1, либо 0, что означает, что результат является определенным и демонстрирует только один результат; это может быть правдой или ложью, да или нет, победой или поражением, успехом или неудачей, но только одним из них.

В полиномиальном случае нет количественной значимости в этом типе результата регрессии, представляя три или более возможных результата, таких как тип A, тип B или тип C. Третий, порядковый тип, подобен полиномиальному, но также обладает количественной значимостью. . Результаты имеют несколько категорий, таких как хороший, лучший и лучший, и каждый уровень имеет оценку, например 0, 1, 2, 3 и т. д. Они интерпретируют бинарную, полиномиальную или порядковую логистическую регрессию по сравнению с линейной регрессией.

Что такое линейная регрессия?

Линейная регрессия — это статистический метод, относящийся к прогнозной аналитике. Он используется для прогнозирования количественного значения переменной или будущих результатов. Значение зависимой переменной оценивается на основе независимой переменной. Метод использует линейные отношения между зависимой переменной и одной или несколькими независимыми переменными.

Зависимая переменная моделируется как линейная функция, содержащая параметры регрессии и случайную ошибку. Критерий, как и метод наименьших квадратов, используется для определения параметров из данных, которые дают наилучшее соответствие данным. Предположим, что в тесте существует более одной независимой переменной. В этом случае процесс называется множественной линейной регрессией, и эта причина указывает на объяснение множественной линейной регрессии по сравнению с логистической регрессией.

Зависимая переменная является синонимом ответа, цели, результата, результата, предсказания и т. д. В то же время независимая переменная также известна как входная переменная, фактор, объясняющая переменная, предикторная переменная и т. д.

Использование линейной регрессии популярно в бизнесе, поведенческих науках, биологии и социальных науках. С другой стороны, применение логистической регрессии более популярно в таких областях, как машинное обучение и социальные науки. В этих широких категориях приложений, если прогнозируемые значения должны быть вероятностями, а не результатами, а зависимая переменная является бинарной логистической регрессией, предпочтительнее линейной регрессии и формирует причину для интерпретации, когда использовать логистическую регрессию против линейной регрессии.

Сходства

Обе модели представляют собой регрессионные модели для анализа данных, прогнозирования результатов и установления взаимосвязей.
Обе модели имеют широкое применение в различных областях исследований, экспериментов, исследований и опросов.
Оба являются хорошо спроектированными и построенными алгоритмами машинного обучения, что указывает на важность прохождения примеров линейной регрессии по сравнению с примерами логистической регрессии в машинном обучении.
Оба алгоритма применяют зависимые и независимые переменные в линейной и логистической регрессии.
Оба являются ветвями контролируемого обучения и исследований.