Affin-lineare, polynomiale und logistische Regression

Sven-Ake Wegner ()

Chapter Kapitel 2 in Mathematische Einführung in Data Science, 2023, pp 9-36 from Springer

Abstract: Zusammenfassung Die klassischen Methoden der einfachen, der multivariablen und der multivariaten (affin-)linearen Regression, der polynomialen Regression und der logistischen Regression werden detailliert diskutiert. Im Fall der affin-linearen Regression betrachten wir die Methode der kleinsten Quadrate zuerst aus einer Optimierungsperspektive. Dann nehmen wir eine probabilistische Sichtweise ein und zeigen, dass der affin-lineare Regressor auch eine natürliche Likelihood-Funktion maximiert. Bei der logistischen Regression starten wir direkt mit einem Maximum-Likelihood-Ansatz und geben dann einen ausführlichen Beweis für die Existenz des logistischen Regressors bei überlappenden Datenmengen. Wir besprechen außerdem eine hinreichende Bedingung für dessen Eindeutigkeit.

Date: 2023
References: Add references at CitEc
Citations:

There are no downloads for this item, see the EconPapers FAQ for hints about obtaining it.

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:spr:sprchp:978-3-662-68697-3_2

Ordering information: This item can be ordered from
http://www.springer.com/9783662686973

DOI: 10.1007/978-3-662-68697-3_2

Access Statistics for this chapter

More chapters in Springer Books from Springer
Bibliographic data for series maintained by Sonal Shukla () and Springer Nature Abstracting and Indexing ().