The regression analysis of binary sequences (with discussion)

خلاصه

این مقاله‌ی کلاسیک، رگرسیون لجستیک را برای تحلیل داده‌های باینری معرفی می‌کند و روش برآورد ضرایب را با بیشینه‌سازی درست‌نمایی ارائه می‌دهد.

نمای سریع

پایه‌گذاری رگرسیون لجستیک برای داده‌های دودویی.

یافته‌های کلیدی

نشان داده شد که رگرسیون لجستیک ابزاری مؤثر برای مدل‌سازی احتمال رخداد یک رویداد دودویی بر اساس متغیرهای پیش‌بین است.

هدف

ارائه‌ی یک چارچوب آماری برای مدل‌سازی احتمال رخداد‌های باینری.

روش

کاکس مدل رگرسیون لجستیک را برای داده‌های دنباله‌ای باینری معرفی می‌کند و روش برآورد بیشینه‌ی درست‌نمایی را برای تخمین ضرایب پیشنهاد می‌دهد.

نتایج

معرفی رگرسیون لجستیک به‌عنوان ابزاری مؤثر و تفسیرپذیر.

نتیجه‌گیری

رگرسیون لجستیک یکی از مهم‌ترین روش‌های آماری برای طبقه‌بندی است.

مفاهیم کلیدی

رگرسیون لجستیک، داده‌های باینری، بیشینه‌سازی درست‌نمایی

مطالعه‌ی بیشتر

https://www.jstor.org/stable/2983890

تحلیل

این مقاله یکی از پایه‌های اصلی آمار و یادگیری ماشین است و تأثیر عمیقی بر توسعه‌ی روش‌های طبقه‌بندی داشته است.

محدودیت‌ها

این مقاله عمدتاً بر روی داده‌های کوچک و ساده متمرکز است و به مسائل داده‌های بزرگ نمی‌پردازد.

کارهای آینده

کاکس بر لزوم توسعه‌ی روش‌های تشخیص و اعتبارسنجی مدل تأکید کرده است.

کاربرد عملی

رگرسیون لجستیک امروزه در پزشکی (پیش‌بینی بیماری)، مالی (تشخیص نکول)، و بازاریابی (پیش‌بینی خرید) به‌طور گسترده استفاده می‌شود.