Logistisk regressionsformel
Logistisk regression är en av de mest populära metoderna inom statistik och datavetenskap för att modellera sambandet mellan ett antal oberoende variabler (prediktorer) och en kategorisk beroende variabel, särskilt binär (t.ex. ja/nej, framgång/misslyckande, sjuk/frisk). Till skillnad från linjär regression, som producerar kontinuerliga värden, är logistisk regression utformad för att uppskatta sannolikheten för en händelse, så att slutresultatet ligger i intervallet 0 till 1. I den här artikeln kommer vi att diskutera den logistiska regressionsformeln, betydelsen av varje komponent och hur man tolkar den.
Varför behövs logistisk regression?
Om vi använder linjär regression för att förutsäga sannolikheter kan modellen producera värden under 0 eller över 1, vilket är uppenbart orimligt för sannolikheten. Logistisk regression åtgärdar detta problem genom att använda en ickelinjär funktion som mappar det beräknade resultatet (som kan vara vilket värde som helst) till ett sannolikhetsvärde mellan 0 och 1. Den vanligaste funktionen är den logistiska eller sigmoide funktionen.
Anta till exempel att vi vill förutsäga om en kund kommer att lämna kund baserat på deras ålder, prenumerationslängd och användningsfrekvens. Det förutspådda resultatet har bara två möjligheter: kundbortfall (1) eller ingen kundbortfall (0). Logistisk regression är väl lämpad för denna typ av situation.
Grundläggande formel för logistisk regression
Kärnan i logistisk regression är att modellera sannolikheten \(p \) att \(Y = 1 \) (händelsen inträffar), givet värdet på prediktorvariabeln \(X \).
Logistiska regressionsmodeller skrivs vanligtvis i två viktiga former:
1) Sannolikhetsform (Sigmoid)
\[
p = P(Y=1 \mid X) = \frac{1}{1 + e^{-z}}
\]
med
\[
z = β₀ + β₁ X₁ + β₂ X₂ + β₀ + β₇ X₇
\]
Information:
– \(p \) är sannolikheten för händelsen (t.ex.: churn = 1).
– \(e \) är Eulers tal (ungefär 2,71828).
– \(z \) är en linjär kombination av prediktorer.
– \( \β_0 \) är skärningspunkten (konstanten).
– (β₁, β₂, ..., βk) är regressionskoefficienterna.
– \(X_1, X_2, \ldots, X_k \) är oberoende variabler.
Sigmoidfunktionen säkerställer att oavsett värdet på \(z \), så förblir värdet på \(p \) mellan 0 och 1.
2) Logit-formulär (Log Odds)
En annan mycket viktig form är logitformen, som är logaritmen för oddsen:
\[
\text{logit}(p) = \ln\left(\frac{p}{1-p}\right) = \β₀ + \β₁ X₁ + \β₂ X₂ + \cdots + \β₁ X₁
\]
Information:
– \( \frac{p}{1-p} \) kallas oddsen (relativ chans).
– \( \ln \) är den naturliga logaritmen.
Logitformen förklarar att logistisk regression faktiskt modellerar logaritmiska odds som en linjär funktion av prediktorerna. Detta gör tolkningen av koefficienterna tydligare, särskilt i samband med oddskvoter.
Förstå odds och oddskvoter
För att verkligen förstå den logistiska regressionsformeln måste vi skilja mellan sannolikhet och odds.
– Sannolikhet \(p \): chansen att en händelse inträffar (0 till 1).
– Odds: jämförelse av sannolikheten för att något händer med att det inte händer:
\[
\text{odds} = \frac{p}{1-p}
\]
Exempel: om \(p = 0,8 \), så:
\[
odds = 0,8/0,2 = 4
\]
Det betyder att det är fyra gånger mer sannolikt att händelsen inträffar än att den inte inträffar.
I logistisk regression tolkas koefficienten β ofta genom oddskvoten:
\[
ELLER = e^{\beta}
\]
– Om \( \β > 0 \), så ökar \(e^{\β} > 1 \): prediktorn oddsen för händelsen.
– Om \( \beta < 0 \), då \( e^{\beta} < 1 \): prediktorn minskar oddsen för händelsen. - Om \( \beta = 0 \), då \( e^{\beta} = 1 \): det finns ingen effekt på oddsen. Till exempel, om \( \beta_1 = 0,7 \), då: \[ e^{0,7} \approx 2,01 \] Detta innebär att varje enhets ökning av \( X_1 \) multiplicerar oddsen för händelsen med ungefär 2,01 gånger (förutsatt att andra variabler förblir konstanta). Exempel på en enkel logistisk regressionsmodell Antag att vi bara har en prediktorvariabel \( X \), till exempel antalet studietimmar per vecka, för att förutsäga att man klarar en tentamen (godkänd = 1, underkänd = 0). Modellen:
