ロジスティック回帰 (DB)

• 反復回数: ロジスティック回帰再重み付けプロセスが実行された回数を示します。反復 = 最大反復数 の場合、回帰がまだ収束していないか、適合の失敗があった (つまり、相関パターンが検出されなかった) 可能性があることを示すフラグが立てられます。
• 逸脱度: ロジスティック回帰モデルの全体的な適合に関する統計として使用されます。ただし、この数値はそれ自体では意味がありません。以下の Null 逸脱度 値と比較するか、以前の回帰実行の独自の値と比較する必要があります。
  • 逸脱度 は、観測値 Y と予測された期待値 Y の比較です。
  • 期待値からの観測値の差または 逸脱度 が大きいほど、モデルの適合度は低くなります。
  • より多くの独立変数がモデルに追加されると、逸脱度は小さくなり、適合度の向上が示されます。
• Null 逸脱度: 「ダム（まぬけな）」モデルの逸脱度を示します。これは、予測変数を使用しない、yes/no のランダムな推測です。
  • これは、上記のモデル 逸脱度 とのパフォーマンスの比較として使用されます。
  • モデル 逸脱度 (予測子を使用) を Null 逸脱度 (予測子なし) と比較して小さくできるほど、ロジスティック回帰モデルはより優れたものになります。
• カイ2 乗値: Null 逸脱度と逸脱度の差。 カイ2 乗 は、技術的には、ロジスティック回帰の有効性を測定するための「負の 2 対数尤度」または -2LL 逸脱度統計量を表します。 カイ 2 乗 = Null 逸脱度 マイナス 逸脱度。
  • 逸脱度 が Null 逸脱度よりも小さくなることが期待されます。ロジスティック回帰モデルが収束していない、または適合が失敗していることを示すもう 1 つのフラグは、逸脱度 > Null 逸脱度、または負のカイ 2 乗であることです。これは、過適合しているデータのサブセットがあることを示している可能性があります。モデラーは変数を削除して回帰を再実行することを試みることができます。
  • ノート: カイ2 乗は予測値と実際の差の尺度であるため、線形回帰の残差を調べるのと似ています。
• 説明された分散の割合: カイ2 乗値を Null 逸脱度で割ったもの。この比率は、(ダム モデルと比較して) モデルが説明するシステムの変動のパーセンテージを表す、非常に有用な診断統計を提供します。ロジスティック回帰の結果を分析する場合、カイ2 乗/Null 逸脱度値を調べると、線形回帰の R2 値と同様の統計が得られます。経験則として、カイ2 乗/帰無偏差の値が 0.8 (80%) を超える場合、ロジスティック回帰モデルの適合が成功したと見なされます。

• 属性: 独立変数の名前を表示します。
• 依存値: 多項ロジスティック回帰の場合にのみ表示されます。 依存値 は、指定された回帰統計データの特定のカテゴリ値を示します。結果には、属性/依存値 ペアごとに 1 行が含まれることに注意してください。
• ベータ/係数: ベータとも表されます。ベータ は、ロジスティック回帰における各独立変数の出現確率の自然対数の線形モデル相関係数の値です。注: ベータ版は「対数スケール」とも呼ばれます。
• オッズ比: オッズ比は、ロジスティック回帰の結果に対する変数の影響の強さを示す主な尺度です (つまり、与えられたイベントが発生する「オッズ」) 独立変数の値)。これは、P/(1-P) の確率比を表します。ここで、P はイベントが発生する確率、1-P はイベントが発生しない確率です。実際には、β 係数を取得して exp(B) または eB を求めることによって計算され、結果に対するロジスティック回帰の独立変数の影響の強さを示す有用な尺度となることに注意してください。たとえば、β =.75 の オッズ比 は e .75 = 2.72 .75 =2.12 となり、独立変数の値が 1 単位増加すると成功の確率が 2 倍になることを示します。
  • オッズ比 は常に 0 より大きくなります。
  • オッズ比 の値が正確に 1 の場合は、変数が予測的ではないか、ケースの結果のオッズが比較対象の両方のグループで同等である可能性が高いことを示します。
  • ノート: 注: オッズ比 が 1 より大きいほど、ロジスティック回帰モデルにおける従属変数と独立変数の間の関係が強くなります。
• SE/標準誤差、または SE: 変数セットの実際の 係数 値から推定された 係数 値の標準偏差を表します。通常は + または - 2 の標準誤差を期待することがベスト プラクティスです。つまり、実際の値は推定された係数値の 2 つの標準誤差以内にある必要があります。したがって、SE 値は、予測された ベータ/係数値よりも大幅に小さくなるはずです。
• Z 値: 線形回帰で表示される T 値とよく似ています。データセットのサイズが大きくなるにつれて、T 分布曲線と Z 分布曲線は同一になります。 Z 値 は、変数分布の標準正規偏差に関連する値です。 ベータ/係数値 サイズと 係数 の SE サイズを比較し、次のように計算されます。Z =β/SE。ここで、β は回帰の推定ベータ係数、SE は 係数の標準誤差値です。 SE 値と Z 値 は、次のより興味深い P 値を導出するために使用される中間計算であるため、必ずしも興味深いものではありません。そして自分たち自身のこと。
• P 値: Z 値 分布曲線に基づいて計算されます。これは、モデルに関連する関連する独立変数の信頼レベルを表し、ロジスティック回帰モデルにおける変数の重要性を迅速に評価するために使用される主な値です。具体的には、独立変数の 係数 値がゼロの場合 (つまり、P 値 が高い場合、関連する変数の値が依然として観測される確率) です。変数は、モデル内の相関のある独立変数としては関連性があるとは見なされません)。
  • 低い P 値 は、推定された 係数 が測定誤差や偶然によるものではないことを示す証拠であり、したがって、有意な結果である可能性が高くなります。したがって、P 値 が低いと、モデラーはモデル内の変数の重要性を確信できます。
  • 標準的な方法では、P 値が 0.05 (5%) を超える 係数 は信頼されません。注: 0.05 未満の P 値 は、係数 が関連しているという 95% 以上の確実性があるとして概念化されることがよくあります。実際には、この P 値 は Z 統計量の分布曲線から導出されます。これは、推定された 係数値からの + または - 2 標準誤差の外側の曲線下面積です。
  • 注: P 値が小さいほど、係数の意味が大きくなり、ロジスティック回帰モデルの独立変数の有意性の確実性が高くなります。
• Wald 統計: 相関係数の有意性を評価するために使用されます。次のように、回帰係数の2 乗と係数の標準誤差の2 乗の比です。 Wald 統計 は、データがまばらな場合、偏る傾向があります。これは、線形回帰の t 検定に似ています。

多項ロジスティック回帰結果の場合、ヒート マップ には、分類モデルの実際のカウントと予測カウントに関する情報が表示され、考えられる各クラス値に対するモデルの精度を評価するのに役立ちます。

次の例では、ヒート マップ は、全体的なモデル精度が 95.33% であることを示しています。最も高い予測精度はクラス値「Iris-setosa」(100% 正確な予測) であり、最も低い予測精度はクラス値「Iris-setosa」です。 「Iris-virginica」 (予測精度 88%)。

このオペレーターで使用できる視覚化の詳細については、ビジュアル結果を精査するを参照してください。