Durée: 12 mois
Rubrique: Analyste des Risques
La régression logistique fait partie intégrante du domaine de la statistique et de l'analyse prédictive. En tant que telle, elle sert de base pour comprendre comment on peut modeler ou prévoir des événements basés sur des occurrences historiques.
La régression logistique est une méthode de modélisation statistique qui est couramment utilisée pour prédire la probabilité d'une variable dépendante catégorielle. En d'autres termes, il s'agit d'un modèle de régression pour les variables dépendantes binaires ou catégorielles. Dans les modèles de régression linéaire, la variable de sortie est une fonction linéaire des paramètres du modèle, tandis que dans la régression logistique, la variable de sortie est une fonction logistique des paramètres du modèle.
Il existe deux types de régression logistique, à savoir la régression logistique binaire (où la variable de sortie a deux catégories possibles) et la régression logistique multinomiale (où la variable de sortie a plus de deux catégories). La régression logistique multinomiale est un développement de la régression logistique binaire.
Dans le modèle de régression logistique, comme dans tous les modèles de régression, l'objectif principal est de trouver les meilleurs paramètres pour le modèle, qui sont généralement obtenus en utilisant une procédure d'estimation par maximum de vraisemblance.
La régression logistique est largement utilisée dans divers domaines tels que la médecine, les sciences sociales, le marketing et même la finance. Par exemple, elle peut être utilisée pour prédire si un client effectuera un achat en fonction de ses données démographiques antérieures, ou si un patient est atteint d'une certaine maladie sur la base de ses signes et symptômes.