Waarom is dit belangrijk?
Onderzoekers kunnen met logistische regressie een ja-of-nee-uitkomst koppelen aan meerdere meetbare kenmerken tegelijk. In ziekenhuizen schatten artsen daarmee het risico op diabetes of een hartaandoening in, aan de hand van leeftijd, geslacht en uitslagen van bloedonderzoek. Voor patiënten levert dat een inschatting van het gezondheidsrisico op, maar het model past minder goed bij metingen die artsen herhaaldelijk in de tijd doen.
Zo werkt het in de praktijk
Ingenieurs schatten met logistische regressie de faalkans van een proces, systeem of product. In marketing schat het model of een klant een product koopt of een abonnement stopzet. Planners gebruiken het ook om te schatten welke keuze bewoners bij een ontruiming maken.
Onderzoek in Expert Systems with Applications kijkt naar kredietbeoordeling met logistische regressie. Het model blijft begrijpelijk, maar mist vaker een zeldzame wanbetaling. De auteurs ontwerpen daarom een combinatie van modellen die die gevallen beter herkent.
Onderzoekers koppelen logistische regressie aan CRISP-DM, een stappenplan voor data-analyse van vraag tot toets. Een studie aan STT Terpadu Nurul Fikri volgde die stappen. Zij vergeleken het model met een beslisboom en voorspelden of een student op tijd afstudeert.




