線形回帰とロジスティック回帰

統計解析では、研究に関連する変数間の関係を明らかにすることが重要である。時には、分析そのものが唯一の目的である場合もあります。回帰分析とは、関係が存在するかどうかを判断し、関係を特定するために使用される強力なツールである。

回帰分析の最も単純な形式は線形回帰であり、変数間の関係は線形である。統計学的に言えば、説明変数と応答変数の関係を与えるものである。例えば、回帰分析を使って、ランダムなサンプルから集めたデータをもとに、商品の価格と消費の関係を確立することができる。回帰分析では、データセットに対して回帰関数を生成します。これは、利用可能なデータに最も適合する数学的モデルです。これは散布図として簡単に表現することができます。グラフ回帰は、与えられたデータセットに最も適合する曲線を求めることに相当します。曲線は回帰関数の関数である。この数理モデルを用いると、ある商品のある価格での使用量を予測することができる。

その結果、回帰分析が予測予測に広く利用されている。また、物理学や化学をはじめ、多くの自然科学や工学の分野で、実験データ間の関係を確立するために使用されている。関係または回帰関数が一次関数である場合、そのプロセスは線形回帰と呼ばれます。散布図では、これは直線で表すことができる。関数がパラメータの線形結合でない場合、回帰は非線形である。

ロジスティック回帰は、応答変数に対する複数の予測変数の影響を考慮するモデルを作成する点で、重回帰と比較することができます。しかし，ロジスティック回帰では，最終結果変数はカテゴリ（通常，分離；すなわち，死亡または生存などの達成可能な結果の組，ただし特別な手法によって，より多くのカテゴリ情報がモデル化される）でなければならない．連続的な結果変数は，ロジスティック回帰のためにカテゴリ変数に変換できる; しかし，この方法で連続変数を折りたたむことは，正確さを減少させるので，通常望ましくない．

平均値のための線形回帰とは異なり，ロジスティック回帰における予測変数は，線形に接続されていること，一般に分布していること，各クラスターで分散が等しいことを強制する必要がない．結果と変数の関係は直線的でない場合があります。

ロジスティック回帰と線形回帰の違いは何ですか？

-線形回帰では、説明変数と応答変数の間に線形関係があると仮定し、解析によってモデルを満たすパラメータを求め、正確な関係を与える。

-量的変数の線形回帰を行い、得られた関数を量的関数とする。