莱莱句子网logistic回归分析的优缺点？
一、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。
二、优点：
1. 实现简单，广泛的应用于工业问题上；
2. 分类时计算量非常小，速度很快，存储资源低；
3. 便利的观测样本概率分数；
4. 对逻辑回归而言，多重共线性并不是问题，它可以结合L2正则化来解决该问题；
5. 计算代价不高，易于理解和实现。
三、缺点：
1. 当特征空间很大时，逻辑回归的性能不是很好；
2. 容易欠拟合，一般准确度不太高；
3. 不能很好地处理大量多类特征或变量；
4. 只能处理两分类问题(在此基础上衍生出来的softmax可以用于多分类)，且必须线性可分；
5. 对于非线性特征，需要进行转换。
logistics回归有哪些函数？
logistic回归是一种广义线性回归（generalized linear model），因此与多重线性回归分析有很多相同之处。
它们的模型形式基本上相同，都具有 w‘x+b，其中w和b是待求参数，其区别在于他们的因变量不同，多重线性回归直接将w‘x+b作为因变量，即y =w‘x+b，而logistic回归则通过函数L将w‘x+b对应一个隐状态p，p =L(w‘x+b),然后根据p 与1-p的大小决定因变量的值。
如果L是logistic函数，就是logistic回归，如果L是多项式函数就是多项式回归。
spss如何分性别logistic回归？
1、打开spss统计软件，然后单击“Analyze – Regression – Binary Logistic”。
2、出现“逻辑回归”窗口。将“高血压”放入“依赖变量”框，并将其他变量（如“性别”和“体重指数”）放入“分隔符”框中。
3、单击“分类”将分类变量的自变量放入右侧的“分类协变量”框中。在这种情况下，自变量“性别”，“饮食习惯，体育锻炼”是分类变量。在右侧的框中选择变量。 “参考类别”选择“最后”或“第一”，此处选择默认的“最后”。点击“继续”。
4、单击“保存”，选中“概率”，“组成员”，然后“继续”。
5、点击“选项”，勾选“Hosmer-Lymeshaw Fitting Goodness”和“95％Confidence Interval”，然后点击“Continue”。
6、方法“选择”输入“最后”确定“。
logistic 回归自变量取值的方法？
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。
5.选项里面至少选择95%CI。
logistic回归分析的条件？
1.样本量问题
工程效果经验，坏样本个数至少要是你的特征变量个数的10倍以上；总样本个数要是你的特征变量个数的20-30倍以上。比如假设你会采用10变量，理论上，你例子中的高血压患病者应该为100名，你的总样本数应该至少在200以上。
2.特征问题
（1）可以为连续变量，可以为分类变量。但是需要考虑实际情况，比如年龄变量，假设训练的logistic结果系数为1.03，那么解释的结果就是每高一岁多0.03的风险会得高血压，但是这是无意义的，不如根据分布切分为年轻人、中年人、老人。
（2）需要保证logit(p)与自变量是线性的，不然训练结果可能有可能比较差。
（3）变量之间的特征相关性要前置分析，尤其是在样本量比较少的时候。理论上讲，如果样本足够大，且所有的因素之间没有关联，最好把所有的因素都放到方程中，通过全模型法对所有可能的混杂因素同时进行分析，在此基础上进一步通过逐 步回归的方法对有显著意义的变量进行筛选，此种情况下可以不做单因素分析。如果样本例数有限，最好先进行单因素分析，剔除既无统计学意义，又无业务意义的变量，只分析有意义的变量。
logistic回归模型的优点和缺点？
1. Logistic回归的优缺点
Logistic优点：
模型简单，速度快，适合二分类问题
简单易于理解，直接看到各个特征的权重
能容易地更新模型吸收新的数据
Logistic缺点：
Logistic是个弱分类器，对数据和场景的适应能力有局限性，不如决策树算法学习能力那么强
logistic回归方程一般形式？
分别是二项logistic回归，无序多分类logistic回归和有序多分类logistic回归。
二项logistic回归
因变量为两种结局的二分类变量，如中奖=1、未中奖=0；
自变量可以为分类变量，也可以为连续变量；
阳性样本量n要求是自变量个数至少10倍；
无序多分类logistic回归
因变量为无序的多分类变量，如获取健康知识途径（传统大众媒介=1，网络=2，社区宣传=3）；
自变量可以为分类变量，也可以为连续变量；
也可用于因变量为有序多分类变量，但不满足平行检验条件的数据资料；
原理：用因变量的各个水平（除参照水平外）与参照水平比值的自然对数来建立模型方程；
有序多分类logistic回归
因变量为有序的多分类变量，如病情严重程度（轻度=1，中度=2，重度=3）；
自变量可以为分类变量，也可以为连续变量；
原理：将因变量的多个分类依次分割为多个二元的Logistic回归；
须进行平行线检验，即检验自变量系数是否相等，如不满足，则使用无需多分类logistic回归；
logistic回归分析步骤？
（1）收集数据：采用各种方法收集数据，比如爬虫等；
（2）准备数据：因为需要计算距离，所以数据类型应该是数值型，最好是结构化数据格式；
（3）分析数据：通过业务的角度或者其他的方法分析数据；
（4）训练算法：这是关键的一步，训练的目的是找到最佳的分类回归系数，可以使用随机梯度上升法；
（5）测试算法：训练完成，将数据投入模型进行测试；
（6）使用算法：将需要的数据进行处理成适合模型的结构化数据，输出的是类别，只有0,1两类。
