列联表和卡方检验 分类变量之间的相关性一般可以采用列联表分析或卡方检验的方法来进行验证。 列联表是两个分类变量的分类水平之间形成的交叉频数表,通过计算行百分比或列百分比,对实际频率和期望频率进行对 比分析,例如一个典型的列联表如下:
对于表中频数、期望频数、行/列百分比的解读方法要熟练掌握。 比如98代表的是头发颜色为金色,眼睛颜色为深色的样本数量。 而355.2则是期望的数量。6.7%是行百分比,也就是在所有头发颜 色为金色的样本中,眼睛颜色为深色的占比。
列联表是一种比较简单的描述性统计方法,而卡方检验则可以通过量化的方法对两个分类变量的相关性进行检验,卡方统 计量如下:
在掌握了列联表分析和卡方检验的基础上,可以学习使用逻辑回归对分类变量进行预测。 逻辑回归主要处理的就是分类问题。事实上,也可以把他看作是线性回归一种延伸。我们面对的因变量,也就是模型输出 结果不再是一个连续变量,而是一个分类变量。最常见的逻辑回归就是二分类变量逻辑回归,通常我们可以使用这种方法 来寻找目标客户。
1.进行逻辑回归时,我们希望选择的变量尽可能地有效,避免冗余。常用的变量筛选方法有如下几种:
Wald检验:通过Wald统计量,来检验自变量对因变量的影响能力。Wald越大,说明自变量的相关性越大,越应该保留。
似然比检验(Likehood Ratio):也是逻辑回归非常常用的一种检验方法。逻辑回归模型的估计一般是使用最大似然估计, 也就是说找到一个似然函数L,使其达到最大值。L越大,也就说明模型的预测效果越好。因此似然比检验本质上是对包 含或者不包含某一个或者几个变量的模型L值进行比较,从而做出判断。
比分检验(Score Test):以包含某个或者某几个变量的模型作为基础,加入系数为0的新变量,通过计算似然函数的一阶 偏导数和信息矩阵,取两者的乘积作为最终的统计量。
这三种方法中,似然比检验是最可靠,也是最常用的一种变量筛选方法。在变量存在共线性时,Wald检验结果不可靠。另 外,实际应用是以上三种方法,都可以采用向前或者向后逐步的方式进行变量筛选。
另外在逻辑回归模型里,我们需要使得自变量和因变量的对数存在线性关系。如果发现实际的变量不符合,可以通过筛选 变量,变量转换等方式进行调整。另外变量转换也可以避免异常值对结果造成偏差。
前面提到,逻辑回归的模型参数估计通常采用的是最大似然函数法,因此理论上需要有一定量的样本才能采用这种方法, 否则检验公式就是不合理的。另外也需要注意的是,逻辑回归的模型无法解决多重共线性的问题,因此在输入变量前,对 变量进行检验和清洗是非常必要的。 得到模型后,我们可以通过混淆矩阵和ROC曲线来评判模型的效果。
灵敏度指的是模型“击中”的概率,也就是对于实际发生(取值为1)的样本,模型预测为1的概率。对应上图的公式为 A/(A+B)。
特异度指的是模型“正确否定”的概率,也就是说对于实际没发生(取值为0)的样本,模型预测为0的概率。对应上图 的公式为D/(C+D)。
因此,可以看到不管是灵敏度还是特异度,都是越高,说明我们的模型越有效。在实际应用中,由于逻辑回归模型计算 的结果其实是一个相对可能性p,因此我们可以根据实际情况调整判断取值为1的p的标准。更有侧重性地提高灵敏度或 者特异度。
3.ROC曲线
除了使用混淆矩阵,我们还可以通过ROC曲线的方式来图形化地判断模型效果。
ROC曲线也是基于灵敏度和特异度来进行判断的。曲线下面积AUC 指的是ROC曲线、底线和右侧线围成的面积。ROC曲线的面积一般 在0.5-1之间。这个数值越接近1,表明模型预测能力越强。当AUC 在0.7-0.9时,我们认为模型有较高的判断作用。而AUC接近0.5的 时候,我们人为这个模型是无效的。
在实际业务中,我们一般利用二分类逻辑回归作为筛选目标客户的 主要手段。不管是识别明星客户、流失客户,甚至是可能存在违约 或者欺诈行为的客户,都可以采用这种方法。
1. 某客户为欺诈的概率为0.4,则优势odds为( )?
A. 0.4
B .2 / 3
C. 3 / 2
D. 0.6
答案:B 解析:该题考核了二分类变量分析的基础知识。Odds的定义是显性结果的概率比上非显性结果的概率,因此为0.4 / 0.6,等 于2 / 3。
2. 建立逻辑回归时,为什么有时候需要对连续变量进行分箱处理?
A. 避免变量的共线性
B. 捕获原始连续变量和被解释变量之间非线性关系
C. 避免异常值影响
答案:BC 解析:如果发现解释变量与反应变量之间相关,但又不呈现线性关系时,往往会对解释变量进行分箱,同时分箱也能够消除极端值。 因此选BC。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14