Modèle de cahier des charges logistique

Modèle de cahier des charges logistique

Un mot de prudence est dans l`ordre lors de l`interprétation des statistiques Pseudo-R2. La raison pour laquelle ces indices d`ajustement sont appelés Pseudo R2 est qu`ils ne représentent pas la réduction proportionnelle de l`erreur que le R2 dans la régression linéaire fait. [29] la régression linéaire suppose une homocédasticité, que la variance d`erreur est la même pour toutes les valeurs du critère. La régression logistique sera toujours hétérocedastique – les écarts d`erreur diffèrent pour chaque valeur du score prédit. Pour chaque valeur du score prédit, il y aurait une valeur différente de la réduction proportionnelle de l`erreur. Par conséquent, il est inapproprié de penser à R2 comme une réduction proportionnelle de l`erreur dans un sens universel dans la régression logistique. [29] cette formulation, qui est standard dans les modèles à choix discrets, indique clairement la relation entre la régression logistique (le «modèle logit») et le modèle probit, qui utilise une variable d`erreur distribuée selon une distribution normale standard au lieu de une distribution logistique standard. Les distributions logistiques et normales sont symétriques avec une forme unimodale de base, «courbe de cloche». La seule différence est que la distribution logistique a des queues un peu plus lourdes, ce qui signifie qu`elle est moins sensible aux données périphériques (et donc un peu plus robuste pour modéliser des spécifications erronées ou des données incorrectes). Pregibon, D.

(1981) Diagnostics de régression logistique, Annales des statistiques, vol. 9, 705-724. La régression logistique est une alternative à la méthode de 1936 de Fisher, une analyse discriminante linéaire. [17] si les hypothèses de l`analyse discriminante linéaire tiennent, le conditionnement peut être inversé pour produire une régression logistique. L`inverse n`est pas vrai, cependant, parce que la régression logistique ne nécessite pas l`hypothèse normale multivariée de l`analyse discriminante. [18] la régression logistique peut être binomiale, ordinale ou multinomial. La régression logistique binomiale ou binaire traite des situations dans lesquelles le résultat observé pour une variable dépendante ne peut avoir que deux types possibles, «0» et «1» (qui peuvent représenter, par exemple, «Dead» vs «Alive» ou «Win» par rapport à «perte»). La régression logistique multinomiale traite des situations où le résultat peut avoir trois types ou plus possibles (p. ex., «maladie A» contre «maladie B» contre «maladie C») qui ne sont pas commandés.

La régression logistique ordinale traite les variables dépendantes qui sont commandées. La régression logistique est un algorithme d`apprentissage machine important. L`objectif est de modéliser la probabilité qu`une variable aléatoire Y {displaystyle Y} soit 0 ou 1 donnée expérimentale. [21] une intuition pour cela vient du fait que, puisque nous choisissons basé sur le maximum de deux valeurs, seulement leur différence importe, pas les valeurs exactes-et cela élimine effectivement un degré de liberté. Un autre fait crucial est que la différence entre deux variables de type 1 à valeur extrême est une distribution logistique, c`est-à-dire

Comments are closed.

    About

    This is the deafult sidebar, add some widgets to change it.