前面的博客有介绍过对连续的变量进行线性回归分析，从而达到对因变量的预测或者解释作用。那么如果因变量是离散变量呢？在做行为预测的时候通常只有“做”与“不做的区别”、“0”与“1”的区别，这是我们就要用到logistic分析（逻辑回归分析，非线性模型）。
参数解释（对变量的评价）
发生比(odds)： ODDS=事件发生概率/事件不发生的概率=P/(1-P)
发生比率（odds ratio）：odds ratio=oddsB/oddsA (组B相对于组A更容易发生的比率）
注：odds ratio大于1或者小于1都有意义，代表自变量的两个分组有差异性，对因变量的发生概率有作用。若等于1的话，该组变量对事件发生概率没有任何作用。
参数估计方法
线性回归中，主要是采用最小二乘法进行参数估计，使其残差平方和最小。同时在线性回归中最大似然估计和最小二乘发估计结果是一致的，但不同的是极大似然法可以用于非线性模型，又因为逻辑回归是非线性模型，所以逻辑回归最常用的估计方法是极大似然法。
极大似然公式：L(Θ)=P(Y1)P(Y2)...p(YN) P为事件发生概率PI=1/(1+E-(α+βXI))
在样本较大时，极大似然估计满足相合性、渐进有效性、渐进正太性。但是在样本观测少于100时，估计的风险会比较大，大于100可以介绍大于500则更加充分。
模型评价
这里介绍拟合优度的评价的两个标准：AIC准则和SC准则，两统计量越小说明模型拟合的越好，越可信。
若事件发生的观测有n条，时间不发生的观测有M条，则称该数据有n*m个观测数据对，
在一个观测数据对中，P>1-P，则为和谐对（concordant）。P<1-P,则为不和谐对（discordant）。P=1-P，则称为结。
在预测准确性有一个统计量C=(NC-0.5ND+0.5T)/T，其中NC为和谐对数，ND为不和谐对数，这里我们就可以根据C统计量来表明模型的区分度，例如C=0.68，则表示事件发生的概率比不发生的概率大的可能性为0.68。
使用假设条件
①数据来自随机样本
②共线性敏感，自变量之间是非线性关系
③因变量只能取0、1
接下来看案例
延伸阅读
- ssh框架 2016-09-30
- 阿里移动安全 [无线安全]玩转无线电——不安全的蓝牙锁 2017-07-26
- 消息队列NetMQ 原理分析4-Socket、Session、Option和Pipe 2024-03-26
- Selective Search for Object Recognition 论文笔记【图片目标分割】 2017-07-26
- 词向量-LRWE模型-更好地识别反义词同义词 2017-07-26
- 从栈不平衡问题 理解 calling convention 2017-07-26
- php imagemagick 处理 图片剪切、压缩、合并、插入文本、背景色透明 2017-07-26
- Swift实现JSON转Model - HandyJSON使用讲解 2017-07-26
- 阿里移动安全 Android端恶意锁屏勒索应用分析 2017-07-26
- 集合结合数据结构来看看(二) 2017-07-26
学习是年轻人改变自己的最好方式