Diferencia entre la regresión lineal y logística

Regresión lineal vs logística

En el análisis estadístico, es importante identificar las relaciones entre variables relacionadas con el estudio. A veces puede ser el único propósito del análisis en sí. Una herramienta fuerte empleada para establecer la existencia de la relación e identificar la relación es el análisis de regresión.

La forma más simple de análisis de regresión es la regresión lineal, donde la relación entre las variables es una relación lineal. En términos estadísticos, saca la relación entre la variable explicativa y la variable de respuesta. Por ejemplo, utilizando la regresión, podemos establecer la relación entre el precio de los productos básicos y el consumo basado en los datos recopilados de una muestra aleatoria. El análisis de regresión producirá una función de regresión del conjunto de datos, que es un modelo matemático que mejor se adapta a los datos disponibles. Esto se puede representar fácilmente por una trama de dispersión. La regresión gráfica es equivalente a encontrar la mejor curva de ajuste para el conjunto de datos dado. La función de la curva es la función de regresión. Usando el modelo matemático, se puede predecir el uso de un producto básico por un precio determinado.

Por lo tanto, el análisis de regresión se usa ampliamente para predecir y pronosticar. También se utiliza para establecer las relaciones en datos experimentales, en los campos de la física, la química y en muchas ciencias naturales e disciplinas de ingeniería. Si la relación o la función de regresión es una función lineal, entonces el proceso se conoce como regresión lineal. En la trama de dispersión, se puede representar como una línea recta. Si la función no es una combinación lineal de los parámetros, entonces la regresión no es lineal.

La regresión logística es comparable a la regresión multivariada, y crea un modelo para explicar el impacto de múltiples predictores en una variable de respuesta. Sin embargo, en la regresión logística, la variable del resultado final debe ser categórica (generalmente dividida; i.mi., Un par de resultados alcanzables, como la muerte o la supervivencia, aunque las técnicas especiales permiten modelar más información categorizada). Una variable de resultado continua puede transformarse en una variable categórica, para ser utilizada para la regresión logística; Sin embargo, el colapso de las variables continuas de esta manera se desaniman principalmente porque reduce la precisión.

A diferencia de la regresión lineal, hacia la media, las variables predictoras en la regresión logística no tienen que verse obligadas a estar linealmente conectadas, comúnmente distribuidas o tener la misma varianza dentro de cada clúster. Como resultado, la relación entre el predictor y las variables de resultado no es probable que sea una función lineal.

¿Cuál es la diferencia entre la regresión logística y lineal??

• En la regresión lineal, se supone una relación lineal entre la variable explicativa y la variable de respuesta y los parámetros que satisfacen el modelo se encuentran mediante análisis, para dar la relación exacta.

• La regresión lineal se lleva a cabo para variables cuantitativas, y la función resultante es cuantitativa.

• En la regresión logística, los datos utilizados pueden ser categóricos o cuantitativos, pero el resultado siempre es categórico.