مقالات ISI رگرسیون لجستیک : 177 مقاله انگلیسی + ترجمه فارسی

آشنایی با موضوع
رگرسیون لجستیک، شبیه رگرسیون خطی است با این تفاوت که نحوه محاسبه ضرایب در این دو روش یکسان نمی باشد. بدین معنی که رگرسیون لجستیک، به جای حداقل کردن مجذور خطاها (کاری که رگرسیون خطی انجام می دهد)، احتمالی را که یک واقعه رخ می دهد، حداکثر می کند. همچنین، در تحلیل رگرسیون خطی، برای آزمون برازش مدل و معنی داربودن اثر هر متغیر در مدل، به ترتیب از آماره های Fوt استفاده می شود، در حالی که در رگرسیون لجستیک، از آماره های کای اسکوئر(X2) و والد استفاده می شود. وایازش لوجستیک یک مدل آماری رگرسیون برای متغیرهای وابسته دوسویی مانند بیماری یا سلامت، مرگ یا زندگی است. این مدل را می توان به عنوان مدل خطی تعمیم یافته ای که از تابع لوجیت به عنوان تابع پیوند استفاده می کند و خطایش از توزیع چندجمله ای پیروی می کند، به حساب آورد.

در این صفحه، تعداد 177 مقاله انگلیسی از ژورنال ها و مجلات معتبر پایگاه ساینس دایرکت (ScienceDirect) درباره موضوع رگرسیون لجستیک آرشیو شده است که شما می توانید مقالات مورد نظر خود را بر اساس سال انتشار، موضوع مقاله، وضعیت ترجمه و تعداد صفحات، انتخاب نموده و دانلود فرمایید.
در صورتی که مقاله لاتین مورد نظر شما تا کنون به زبان فارسی ترجمه نشده باشد، واحد ترجمه پایگاه ISI Articles با همکاری تنی چند از اساتید و مترجمان با سابقه، آمادگی دارد آن را در اسرع وقت و با کیفیت مطلوب برای شما ترجمه نماید.

Prediction of thoracic injury severity in frontal impacts by selected anatomical morphomic variables through model-averaged logistic regression approach

The Pediatric Upper Limb Motion Index and a temporal–spatial logistic regression: Quantitative analysis of upper limb movement disorders during the Reach & Grasp Cycle

Empirical research of hybridizing principal component analysis with multivariate discriminant analysis and logistic regression for business failure prediction

Comparison among probabilistic neural network, support vector machine and logistic regression for evaluating the effect of subthalamic stimulation in Parkinson disease on ground reaction force during gait

Multinomial logistic regression and product unit neural network models: Application of a new hybrid methodology for solving a classification problem in the livestock sector