About cookies on this site Our websites require some cookies to function properly (required). In addition, other cookies may be used with your consent to analyze site usage, improve the user experience and for advertising. For more information, please review your options. By visiting our website, you agree to our processing of information as described in IBM’sprivacy statement. To provide a smooth navigation, your cookie preferences will be shared across the IBM web domains listed here.
資料の 英語版 に戻る
ロジスティック回帰ノード (SPSS Modeler)
ロジスティック回帰ノード
最終更新: 2025年2月11日
ロジスティック回帰 (名義回帰) は、入力フィールドの値に基づいてレコードを分類する統計手法です。 線型と似ていますが、数値型フィールドではなくカテゴリー・フィールドを対象フィールドとします。 二項モデル (2 つの異なるカテゴリーがある対象用) と多項モデル (3 つ以上のカテゴリーのある対象用) の両方がサポートされます。
ロジスティック回帰では、入力フィールド値を各出力フィールド カテゴリーに対応する確率に関連付ける一連の方程式が作成されます。 モデルが生成された後、そのモデルを使用して、新規データの確率を推定できます。 各レコードについて、各出力カテゴリーの可能性が計算されます。 最も確率の高い対象カテゴリーが、そのレコードの予測出力値として割り当てられます。
2 項の例。 通信通信プロバイダーは、競合他社に奪われている顧客の数を懸念しています。 サービス使用量データを使用して、二項モデルを作成し、どの顧客が他のプロバイダーに移りそうかを予測できれば、オファーをカスタマイズして、できるだけ多くの顧客を保持することができます。 ターゲットに 2 つの異なるカテゴリー ( 転送または非転送など) があるため、二項モデルが使用されます。
注: 2 項モデルの場合のみ、文字列フィールドは 8 文字に制限されます。 必要な場合は、データ分類ノードまたは匿名化ノードを使用して、これより長い文字列を再コード化できます。
多項の例: ある通信プロバイダーは、サービス利用パターンによって顧客ベースを区分し、顧客を 4 つのグループに分類しました。 デモグラフィック・データを使用してグループ・メンバーシップを予測することで、多項モデルを作成して顧客をグループに分類し、それぞれの顧客に対してオファーをカスタマイズすることができます。
要件。 1 つ以上の入力フィールドと、2 つ以上のカテゴリーを含む 1 つのカテゴリー対象フィールドが必要です。 2 項モデルの場合、対象の尺度は
でなければなりません。 多項モデルの場合、対象の尺度は Flag
、または 2 つ以上のカテゴリを持つ Flag
にすることができます。 Nominal
または Both
に設定されたフィールドは無視されます。 モデルで使用するフィールド・タイプは、完全にインスタンス化する必要があります。None
利点 たいていの場合、ロジスティック回帰モデルは非常に正確です。 ロジスティック回帰モデルでは、シンボル値と数値の入力フィールドを処理できます。 すべての対象カテゴリーに対する予測確率が算出されるため、「次善の推量」を簡単に識別することができます。 ロジスティック・モデルは、グループ・メンバーが真にカテゴリー的なフィールドの場合に最も効果的です。グループ・メンバーが連続した値の範囲の値 (例えば、「高い IQ」対「低い IQ」) に基づいている場合、値の範囲全体から提供されるより豊富な情報を活かすために、線型の使用を考慮する必要があります。 ロジスティック・モデルでは、自動的なフィールド選択も実行できます。ただし、ツリー・モデルや特徴量選択モデルなどの他のアプローチのほうが大規模データ・セットでは迅速に実行できます。 最後に、ロジスティック・モデルは多くのアナリストやデータ・マイニング技術者によく理解されているので、他のモデル作成技法に対する基準として、比較の対象に使用されることがあります。
大きなデータセットを処理する場合、詳細出力オプションの「尤度比検定」を無効にすることにより、パフォーマンスを大幅に改善することができます。
トピックは役に立ちましたか?
0/1000