ရလဒ်သည် ဟုတ် သို့မဟုတ် မဟုတ် ဖြစ်သောအခါ
Linear regression သည် ဆက်တိုက်ကိန်းဂဏန်း ခန့်မှန်းသောအခါ ကောင်းမွန်စွာ အလုပ်လုပ်သည်။ သို့သော် ခန့်မှန်းလိုသည့်အရာတွင် ဖြစ်နိုင်သော ရလဒ်နှစ်ခုသာ ရှိသောအခါ ဘာဖြစ်မည်နည်း? ဖောက်သည်သည် ဝယ်မည်လား မဝယ်ဘူးလား? လူနာ ပြန်ကောင်းမည်လား မကောင်းဘူးလား? ဤ ဒွိနှစ်ဖက် ရလဒ်များအတွက် လော့ဂျစ်တစ် ရီဂရက်ရှင်း ဝင်လာသည်။
Sigmoid မျဉ်းကွေး
မျဉ်းဖြောင့် ဆွဲမည့်အစား လော့ဂျစ်တစ် ရီဂရက်ရှင်းသည် sigmoid (သို့မဟုတ် လော့ဂျစ်တစ်) ဟုခေါ်သော S-ပုံသဏ္ဍာန် မျဉ်းကွေးကို ဆွဲသည်။ ဤမျဉ်းကွေးသည် ဘယ်ဘက်တွင် 0 နီးနီး စတင်ပြီး အလယ်တွင် 0.5 ကို ဖြတ်ကာ ညာဘက်တွင် 1 သို့ ချဉ်းကပ်သော်လည်း 0 သို့မဟုတ် 1 သို့ ဘယ်တော့မှ အမှန်တကယ် ရောက်မသည်။
အထက်ပါ scatter plot တွင် x-ဝင်ရိုးသည် အတွေ့အကြုံနှစ်များ ကိုယ်စားပြုပြီး y-ဝင်ရိုးသည် အရည်အချင်းစစ်စာမေးပွဲ အောင်/ကျ (1 = အောင်, 0 = ကျ) ကို ကိုယ်စားပြုသည်ဟု မြင်ယောင်ကြည့်ပါ။
Odds နှင့် Odds Ratios ကို နားလည်ခြင်း
လော့ဂျစ်တစ် ရီဂရက်ရှင်းသည် odds ဖြင့် အလုပ်လုပ်သည်။ ဖြစ်ရပ်၏ ဖြစ်နိုင်ချေ 0.8 ဖြစ်ပါက odds မှာ 0.8 / 0.2 = 4 ဖြစ်သည်။ ကိန်းရှင်ကြီးများကို odds ratios အဖြစ် ပြောင်းလဲသည်။ Odds ratio 2.5 ဆိုသည်မှာ ကိန်းရှင်တစ်ခု တစ်ယူနစ် တိုးလျှင် ရလဒ်၏ odds ကို 2.5 ဆ ပိုများစေသည်ဟု ဆိုလိုသည်။
ဆေးရုံတစ်ခုသည် လူနာကို ရက် 30 အတွင်း ပြန်လက်ခံရမည်ရှိမရှိ ခန့်မှန်းရန် လော့ဂျစ်တစ် ရီဂရက်ရှင်း ပုံစံ တည်ဆောက်သည်။ နာတာရှည်ရောဂါ တစ်ခု ပိုရှိတိုင်း ပြန်လက်ခံရမှု odds ကို 1.4 ဆ ပိုများစေသည် (odds ratio = 1.4)။ နာတာရှည်ရောဂါ 3 ခု ရှိသော လူနာသည် ရောဂါမရှိသော လူနာနှင့် နှိုင်းယှဉ်လျှင် ပြန်လက်ခံရမှု odds 1.4 x 1.4 x 1.4 = 2.74 ဆ ရှိသည်။
လော့ဂျစ်တစ်ကို Linear အစား ဘယ်အချိန် ရွေးရမည်နည်း
ဆုံးဖြတ်ချက်မှာ ရိုးရှင်းသည် -- ရလဒ်ကိန်းရှင်သည် ဒွိနှစ်ဖက် (အမျိုးအစားနှစ်ခု) ဖြစ်ပါက လော့ဂျစ်တစ် ရီဂရက်ရှင်း အသုံးပြုပါ။ ရလဒ်သည် ဆက်တိုက်ဖြစ်ပါက linear regression အသုံးပြုပါ။
ပုံစံကို အဓိပ္ပာယ်ဖွင့်ခြင်းနှင့် အကဲဖြတ်ခြင်း
Linear regression နှင့်မတူဘဲ လော့ဂျစ်တစ် ရီဂရက်ရှင်းသည် R-squared မသုံးပါ။ အစား တိကျမှု၊ sensitivity၊ specificity နှင့် ROC မျဉ်းကွေးအောက် ဧရိယာ (AUC) ဖြင့် အကဲဖြတ်သည်။
လက်တွေ့ကမ္ဘာတွင် လော့ဂျစ်တစ် ရီဂရက်ရှင်း
ဘဏ်များသည် ချေးငွေ ခွင့်ပြုခြင်းအတွက် အသုံးပြုသည်။ အီးမေးလ်ပံ့ပိုးသူများသည် spam ခွဲခြားရန် အသုံးပြုသည်။ စျေးကွက်ရှာဖွေရေးသူများသည် ဖောက်သည်များ ထွက်ခွာမည့်အချိန် ခန့်မှန်းရန် အသုံးပြုသည်။
လော့ဂျစ်တစ် ရီဂရက်ရှင်းသည် ဒွိနှစ်ဖက် ရလဒ်များကို ခန့်မှန်းရန် စံနည်းလမ်းဖြစ်သည်။ ခန့်မှန်းချက်များကို 0 နှင့် 1 ကြား ထိန်းထားရန် sigmoid function ကို အသုံးပြုပြီး ၎င်း၏ ကိန်းရှင်ကြီးများကို odds ratios အဖြစ် အဓိပ္ပာယ်ဖွင့်သည်။ ရလဒ်သည် ဟုတ်/မဟုတ်၊ အောင်/ကျ သို့မဟုတ် အမျိုးအစားနှစ်ခု ကိန်းရှင်ဖြစ်သည့်အခါတိုင်း ၎င်းကို အသုံးပြုပါ။