Linear vs Logistic Regression
Sa pagsusuri sa istatistika, mahalagang matukoy ang mga ugnayan sa pagitan ng mga variable na nauugnay sa pag-aaral. Minsan ito ay maaaring ang tanging layunin ng pagsusuri mismo. Ang isang malakas na tool na ginagamit upang maitaguyod ang pagkakaroon ng relasyon at tukuyin ang kaugnayan ay ang pagsusuri ng regression.
Ang pinakasimpleng anyo ng pagsusuri ng regression ay ang linear regression, kung saan ang ugnayan sa pagitan ng mga variable ay isang linear na relasyon. Sa mga terminong istatistika, inilalabas nito ang kaugnayan sa pagitan ng nagpapaliwanag na variable at ng tugon ng variable. Halimbawa, gamit ang regression, maitatag natin ang kaugnayan sa pagitan ng presyo ng bilihin at ng pagkonsumo batay sa data na nakolekta mula sa isang random na sample. Ang pagsusuri ng regression ay gagawa ng regression function ng set ng data, na isang mathematical na modelo na pinakaangkop sa magagamit na data. Madali itong kinakatawan ng isang scatter plot. Ang graphically regression ay katumbas ng paghahanap ng pinakamahusay na angkop na curve para sa ibinigay na set ng data. Ang function ng curve ay ang regression function. Gamit ang mathematical model, mahulaan ang paggamit ng isang commodity para sa isang partikular na presyo.
Samakatuwid, ang pagsusuri ng regression ay malawakang ginagamit sa paghula at pagtataya. Ginagamit din ito upang itatag ang mga ugnayan sa pang-eksperimentong data, sa larangan ng pisika, kimika, at sa maraming natural na agham at mga disiplina sa inhinyero. Kung ang relasyon o ang regression function ay isang linear function, kung gayon ang proseso ay kilala bilang isang linear regression. Sa scatter plot, maaari itong ilarawan bilang isang tuwid na linya. Kung ang function ay hindi isang linear na kumbinasyon ng mga parameter, ang regression ay hindi linear.
Logistic regression ay maihahambing sa multivariate regression, at ito ay gumagawa ng isang modelo upang ipaliwanag ang epekto ng maraming predictors sa isang response variable. Gayunpaman, sa logistic regression, ang variable na panghuling resulta ay dapat na ayon sa kategorya (karaniwan ay nahahati; ibig sabihin, isang pares ng maaabot na mga resulta, tulad ng kamatayan o kaligtasan, kahit na ang mga espesyal na diskarte ay nagbibigay-daan sa mas nakategoryang impormasyon na mamodelo). Ang tuluy-tuloy na variable na kinalabasan ay maaaring mabago sa isang kategoryang variable, na gagamitin para sa logistical regression; gayunpaman, ang pagbagsak ng tuluy-tuloy na mga variable sa ganitong paraan ay kadalasang hindi hinihikayat dahil binabawasan nito ang katumpakan.
Hindi tulad sa linear regression, patungo sa mean, ang predictor variable sa logistical regression ay hindi kailangang pilitin na linearly na konektado, karaniwang ibinabahagi, o magkaroon ng pantay na variance sa loob ng bawat cluster. Bilang resulta, ang kaugnayan sa pagitan ng predictor at mga variable ng kinalabasan ay malamang na hindi isang linear function.
Ano ang pagkakaiba ng Logistic at Linear regression?
• Sa linear regression, ang isang linear na ugnayan sa pagitan ng nagpapaliwanag na variable at ng tugon na variable ay ipinapalagay at ang mga parameter na nagbibigay-kasiyahan sa modelo ay makikita sa pamamagitan ng pagsusuri, upang maibigay ang eksaktong kaugnayan.
• Isinasagawa ang linear regression para sa mga quantitative variable, at ang resultang function ay quantitative.
• Sa logistic regression, ang data na ginamit ay maaaring maging kategorya o quantitative, ngunit ang resulta ay palaging kategorya.
