Logistic Regression, Sigmoid Sannolikhet & Odds Förhållande / proportion kalkylator

Hur du använder denna kalkylator

Ange ditt Intercept Coefficient (β₀ / Constant), Lutning / fall Coefficient (β₁ / Log-Odds per Enhet of X), Mål Predictor Värde (X) (e.g. t.ex. 5.0), Binary Classification Decision Threshold. Resultaten uppdateras omedelbart när du ändrar ett värde.

Formeln

Logistic Regression, Logit Link & Sigmoid equations: Linear Predictor (Logit): z = β_0 + β_1 X

Logit Link Function: logit(P) = (P)/(1 - P) = z

Sigmoid Sannolikhet: P(Y = 1) = σ(z) = (1)/(1 + e^-z) = (e^z)/(1 + e^z)

Event Odds: Odds = (P)/(1 - P) = e^z = e^β_0 + β_1 X

Odds Förhållande / proportion (OR per 1-enhet Δ X = 1): OR = Odds_x+1Odds_x = e^β_1

Decision Threshold Rule: Y = cases 1 & if P(Y=1) p_threshold \\ 0 & if P(Y=1) < p_threshold cases

Räkneexempel

Praktiskt räkneexempel för Logistic Regression, Sigmoid Sannolikhet & Odds Förhållande / proportion kalkylator: Anta att en användare vill göra en noggrann uppskattning inom Statistik & Dataanalys. Användaren fyller i Intercept Coefficient med värdet -3.5och anger Lutning / fall Coefficient till 0.8 . Efter att ha klickat på Beräkna bearbetar Logistic Regression, Sigmoid Sannolikhet & Odds Förhållande / proportion kalkylator informationen på en bråkdel av en sekund. Verktyget presenterar en fullständig specifikation med exakta delsummor och visuella diagram. Detta gör att användaren omedelbart ser konsekvenserna av sina val utan att behöva genomföra komplicerade manuella uträkningar eller bygga egna kalkylblad. Resultatet kan därefter sparas som PDF, exporteras till CSV eller delas direkt med kollegor och familj för vidare diskussion och planering.

Förstå dina resultat

Använd resultatet som startpunkt och validera det i din specifika kontext. Testa två eller tre varianter för att förstå känsligheten. För viktiga beslut jämför med en sekundär källa eller expert.