logistic回归算法
⑴ 单因素logistic回归是什么
单因素logistic回归是一种广义的线性回归分析模型的影响因素只有1个。logistic回归，又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。
单因素就是研究对某个事件或指标的影响因素只有1个。
单因素logistic回归的例子特点
以胃癌病情分析为例，选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群必定具有不同的体征与生活方式等。因此因变量就为是否胃癌。
值为“是”或“否”，自变量就可以包括很多了，如年龄、性别、饮食习惯、幽门螺杆菌感染等。自变量既可以是连续的，也可以是分类的。
然后通过logistic回归分析，可以得到自变量的权重，从而可以大致了解到底哪些因素是胃癌的危险因素。
⑵ 什么是二元logistic回归分析法
二元Logistic回归主要分为三类：
1、一种是因变量为二分类的Logistic回归， 这种回归称为二项logistic回归。
2、一种是因变量为无序多分类得logistic回归，这种回归称为多项式logistic回归。
3、还存在具有有序多类因变量的logistic回归。 例如，疾病的严重程度为高，中，低等。这种回归也称为累积logistic回归或序次logistic回归。
(2)logistic回归算法扩展阅读：
二元logistic回归中“变量选择方法”如下：
1、向前选择（条件）
逐步选择方法，其中进入检验是基于得分统计量的显着性，移去检验是基于在条件参数估计基础上的似然比统计的概率。
2、向前选择（似然比）
逐步选择方法，其中进入检验是基于得分统计量的显着性，移去检验是基于在最大局部似然估计的似然比统计的概率。
3、向前选择 (Wald)
逐步选择方法，其中进入检验是基于得分统计量的显着性，移去检验是基于 Wald 统计的概率。
4、向后去除（条件）
逐步向后选择。移去检验基于在条件参数估计的似然比统计量的概率。
⑶ 什么是单因素logistic回归分析
单因素就是研究对某个事件或指标的影响因素只有1个。
logistic回归，又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。以胃癌病情分析为例，选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群必定具有不同的体征与生活方式等。因此因变量就为是否胃癌，值为“是”或“否”，自变量就可以包括很多了，如年龄、性别、饮食习惯、幽门螺杆菌感染等。自变量既可以是连续的，也可以是分类的。然后通过logistic回归分析，可以得到自变量的权重，从而可以大致了解到底哪些因素是胃癌的危险因素。同时根据该权值可以根据危险因素预测一个人患癌症的可能性。
温馨提示：以上信息仅供参考。
应答时间：2021-08-11，最新业务变化请以平安银行官网公布为准。
[平安银行我知道]想要知道更多？快来看“平安银行我知道”吧~
https://b.pingan.com.cn/paim/iknow/index.html
⑷ 逻辑回归算法原理是什么
逻辑回归就是这样的一个过程：面对一个回归或者分类问题，建立代价函数，然后通过优化方法迭代求解出最优的模型参数，测试验证我们这个求解的模型的好坏。
Logistic回归虽然名字里带“回归”，但是它实际上是一种分类方法，主要用于两分类问题（即输出只有两种，分别代表两个类别）回归模型中，y是一个定性变量，比如y=0或1，logistic方法主要应用于研究某些事件发生的概率。
(4)logistic回归算法扩展阅读：
Logistic回归与多重线性回归实际上有很多相同之处，最大的区别就在于它们的因变量不同，其他的基本都差不多。正是因为如此，这两种回归可以归于同一个家族，即广义线性模型。这一家族中的模型形式基本上都差不多，不同的就是因变量不同。这一家族中的模型形式基本上都差不多，不同的就是因变量不同。
⑸ 多因素logistic回归分析步骤
步骤如下：
1、把自己需要分析的数据导入到SPSS，点击左上角的文件进行打开，选择弹出对话框中的数据。
2、点击工具栏上的分析，依次选择回归，然后选择“多项Logistic” 多元线性回归分析和logistic回归分析都可以的。
3、把变量依次移动到右侧的因变量、因子和协变量框内。
4、就可以在度量标准中看到度量数据。
5、再对多项逻辑回归的模型、统计量、条件、选项和保存进行设置。
6、点击确定，即可用SPSS把多因素Logistic回归分析做好。
多因素logistic回归是指包含的研究因素较多，如二项logistic回归、多项Logistic回归等。
1、打开spss统计软件，然后单击“Analyze - Regression - Binary Logistic”。
⑺ 如何用spss做logistic回归分析
打开数据以后，菜单栏上依次点击：analyse--regression--binary
logistic，打开二分回归对话框
将因变量和自变量放入格子的列表里，如图所示，上面的是因变量，下面的是自变量，我们看到这里有三个自变量
设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法，在前面的文章中有介绍，这里就不再熬述。
点击ok，开始处理数据并检验回归方程，等待一会就会弹出数据结果窗口
看到的第一个结果是对case的描述，第一个列表告诉你有多少数据参与的计算，有多少数据是缺省值；第二个列表告诉你因变量的编码方式，得分为1代表患病，得分为0代表没有患病
这个列表告诉你在没有任何自变量进入以前，预测所有的case都是患病的正确率，正确率为%52.6
下面这个列表告诉你在没有任何自变量进入以前，常数项的预测情况。B是没有引入自变量时常数项的估计值，SE它的标准误，Wald是对总体回归系数是否为0进行统计学检验的卡方。
下面这个表格结果，通过sig值可以知道如果将模型外的各个变量纳入模型，则整个模型的拟合优度改变是否有统计学意义。
sig值小于0.05说明有统计学意义
这个表格是对模型的全局检验，为似然比检验，供给出三个结果：同样sig值<0.05表明有统计学意义。
下面的结果展示了-2log似然值和两个伪决定系数。两个伪决定系数反应的是自变量解释了因变量的变异占因变量的总变异的比例。他们俩的值不同因为使用的方法不同。
分类表，这里展示了使用该回归方程对case进行分类，其准确度为%71.8。
最后是输出回归方程中的各变量的系数和对系数的检验额值，sig值表明该系数是否具有统计学意义。到此，回归方程就求出来了。
⑻ 如何用spss进行logistic回归分析
二元logit回归
1.打开数据，依次点击：analyse--regression--binarylogistic，打开二分回归对话框。
2.将因变量和自变量放入格子的列表里，上面的是因变量，下面的是自变量（单变量拉入一个，多因素拉入多个）。
3.设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法。
4.等级资料，连续资料不需要设置虚拟变量。多分类变量需要设置虚拟变量。
虚拟变量ABCD四类，以a为参考，那么解释就是b相对于a有无影响，c相对于a有无影响，d相对于a有无影响。
5.选项里面至少选择95%CI。
点击ok。
统计专业研究生工作室原创，请勿复杂粘贴
⑼ Logistic回归分析计算方法
logistic回归又称logistic回归分析，主要在流行病学中应用较多，比较常用的情形是探索某疾病的危险因素，根据危险因素预测某疾病发生的概率，等等。例如，想探讨胃癌发生的危险因素，可以选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群肯定有不同的体征和生活方式等。这里的因变量就是是否胃癌，即“是”或“否”，为两分类变量，自变量就可以包括很多了，例如年龄、性别、饮食习惯、幽门螺杆菌感染等。自变量既可以是连续的，也可以是分类的。通过logistic回归分析，就可以大致了解到底哪些因素是胃癌的危险因素。
生态学中的虫口模型(亦即Logistic映射)可用来描述
x(n+1)=u*x(n)*(1-x(n)),u属于[0,4],x属于(0,1)这是1976年数学生态学家R. May在英国的《自然》杂志上发表的一篇后来影响甚广的综述中所提出的，最早的一个由倍周期分岔通向混沌的一个例子。后来经过Feigenbaum研究得出:一个系统一旦发生倍周期分岔，必然导致混沌。他还发现并确定了该系统由信周期分岔通向混沌的两个普适常数(也称为Feigenbaum常数)。对于一维 Logistic映射，研究的比较早也比较详细，比如该映射之所以产生混沌，有人归纳出它具有两个基本性质、逆瀑布、周期3窗口、U序列等等。但是一维Logistic映射仅有一个自由度，利用它只能产生一条线或一条曲线，而做图像，至少需要两个或以上个自由度，为此，孙海坚等人给出了LMGS定义。王兴元还扩展了LMGS定义，在此基础上，就可以分析2维及其以上的系统，分析图形与吸引子的结构特征，探讨了图形与吸引子之间的联系;并由一维可观察计算系统混沌定量判据的方法，计算了吸引子的 Lyapunov指数和Lyaounov维数。[1]二维 Logistic映射起着从一维到高维的衔接作用，对二维映射中混沌现象的研究有助于认识和预测更复杂的高维动力系统的性态。王兴元教授通过构造一次藕合和二次祸合的二维Logistic映射研究了二维Logistic映射通向混沌的道路，分析了其分形结构和吸引盆的性质，指出选择不同的控制参数，二维映射可分别按Feigenbaum途径等走向混沌，并且指出在控制参数空间中的较大的区域，其通向混沌的道路与Hopf分岔有关，在这些途径上可观察到锁相和准周期运动。二维滞后Logistic映射x(n+1)=y(n)y(N+1)=u*y(n)*(1-x(n)), u属于(0,2.28),[x,y]属于(0,1)该系统走向混沌的道路正是验证了二维Logistic映射与Neimark-Sacker分岔有密切的关系，对于研究其他的具有滞后的系统具有重要的意义。[1]