logistic回归模型(logistic regression model)
一、logistic和logistical区别
logit和logistic模型的区别一、主体不同
1、logit模型：是离散选择法模型之一，Logit模型是最早的离散选择模型，也是目前应用最广的模型。
2、logistic模型：又称logistic回归分析，logistic回归的因变量可以是二分非线性差分方程类的，也可以是多分类的。
二、特点不同
1、logit模型：因变量不是常规的连续变量，而是对数发生比率，尽管每个自变量的估计系数含义与一般线性回归一样，数的经济学含义，较方便的做法是将Logit进行转换后再进行解释，而不是直接解释系数本身,即将回归模型等式两侧取自然指数。
2、logistic模型：如果已经建立了logistic回归模型，则可以根据模型，预测在不同的自变量情况下，发生某病或某种情况的概率有多大。
二、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
三、多水平logistic模型是什么
多水平logistic模型是一种用于分析多级分类数据的统计模型。它考虑了数据的层次结构，例如个体嵌套在群体中，通过引入随机效应来捕捉不同层次的变异。
该模型可以用于预测和解释多级分类变量的概率，并可以探索不同层次的因素对分类结果的影响。多水平logistic模型在社会科学、教育研究和医学领域等多个领域中得到广泛应用。