oldwiki>Glanz: Die Seite wurde neu angelegt: „{{:MOOCit - Oben}} {| align=center {{:D-Tab}} '''Logistische Regression''' {{o}} Anwendungsgebiete {{o}} Grundlagen {{o}} Maximum-Likelihood-Schätzung {{o}} Statistik-Software |} {{:BRK}} = Einleitung = In diesem aiMOOC wirst Du alles über Logistische Regression, ein mächtiges statistisches Modell, erf…“

2024-03-26T19:35:13Z

Die Seite wurde neu angelegt: „{{:MOOCit - Oben}} {| align=center {{:D-Tab}} '''Logistische Regression''' {{o}} Anwendungsgebiete {{o}} Grundlagen {{o}} Maximum-Likelihood-Schätzung {{o}} Statistik-Software |} {{:BRK}} = Einleitung = In diesem aiMOOC wirst Du alles über Logistische Regression, ein mächtiges statistisches Modell, erf…“

Neue Seite

{{:MOOCit - Oben}}
{| align=center
{{:D-Tab}}
'''[[Logistische Regression]]'''
{{o}} [[Logistische Regression - Anwendungsgebiete|Anwendungsgebiete]]
{{o}} [[Logistische Regression - Grundlagen|Grundlagen]]
{{o}} [[Maximum-Likelihood-Schätzung|Maximum-Likelihood-Schätzung]]
{{o}} [[Statistik-Software|Statistik-Software]]
|}
{{:BRK}}
= Einleitung =

In diesem aiMOOC wirst Du alles über [[Logistische Regression]], ein mächtiges statistisches Modell, erfahren. Logistische Regression wird hauptsächlich für [[binäre Klassifikationsprobleme]] genutzt, um die Wahrscheinlichkeit des Eintretens eines Ereignisses vorherzusagen. Wir werden erkunden, wie dieses Modell funktioniert, wo es angewendet wird, und wie Du es selbst für Deine Datenanalyse einsetzen kannst. Neben grundlegenden Konzepten werden wir auch darauf eingehen, wie man ein logistisches Regressionsmodell in verschiedenen [[Statistik-Software]]-Paketen implementiert. Dieser Kurs ist mit interaktiven Elementen angereichert, um Dir ein tieferes Verständnis und praktische Fähigkeiten zu vermitteln.

{{:BRK}}
= Was ist logistische Regression? =

Logistische Regression ist ein statistisches Verfahren, das verwendet wird, um die Wahrscheinlichkeit eines binären Ausgangs (1/0, Ja/Nein, Wahr/Falsch) auf Basis eines oder mehrerer unabhängiger Variablen zu modellieren. Im Gegensatz zur [[Lineare Regression|linearen Regression]], die eine kontinuierliche Ausgangsvariable vorhersagt, ist die logistische Regression für kategoriale Ausgangsvariablen geeignet. Ein Schlüsselkonzept der logistischen Regression ist die Logit-Funktion, auch bekannt als Logistische Funktion, die die Wahrscheinlichkeiten so transformiert, dass sie zwischen 0 und 1 liegen.

{{:BRK}}
== Anwendungsbereiche der logistischen Regression ==

{{o}} In der [[Medizin]] wird sie verwendet, um das Risiko von Krankheiten vorherzusagen.
{{o}} Im [[Finanzwesen]] hilft sie bei der Bewertung des Ausfallrisikos von Kreditnehmern.
{{o}} In der [[Marketinganalyse]] wird sie genutzt, um die Wahrscheinlichkeit zu schätzen, dass ein Kunde ein Produkt kauft oder nicht.
{{o}} In der [[Sozialwissenschaft]] dient sie der Untersuchung von Wahlverhalten und anderen binären Entscheidungen.

{{:BRK}}
== Grundlagen der logistischen Regression ==

=== Die Logit-Funktion ===

Die Logit-Funktion ist das Herzstück der logistischen Regression. Sie transformiert die lineare Kombination der Eingabemerkmale in eine Wahrscheinlichkeit, die zwischen 0 und 1 liegt. Die Formel für die Logit-Funktion ist:

Logit
(
�
)
=
ln
⁡
(
�
1
−
�
)
Logit(p)=ln(
1−p
p

)

wobei
�
p die Wahrscheinlichkeit des Eintretens des Ereignisses ist.

=== Schätzung der Parameter ===

Die Parameter der logistischen Regression werden typischerweise durch die [[Maximum-Likelihood-Schätzung]] ermittelt, ein Verfahren, das die Wahrscheinlichkeit maximiert, dass das beobachtete Set von Ausgängen aus dem gegebenen Datensatz unter dem Modell am wahrscheinlichsten ist.

{{:BRK}}
= Interaktive Aufgaben =

{{:BRK}}
== Quiz: Teste Dein Wissen ==

{{:Multiple-Choice Anfang}}

'''Was ist der Hauptzweck der logistischen Regression?'''
(Vorhersage der Wahrscheinlichkeit eines binären Ausgangs)
(!Vorhersage kontinuierlicher Werte)
(!Sortieren von Daten in aufsteigender Reihenfolge)
(!Finden von Korrelationen zwischen Variablen)

'''Welche Funktion transformiert die Wahrscheinlichkeiten in der logistischen Regression?'''
(Logit-Funktion)
(!Lineare Funktion)
(!Tangens Hyperbolicus)
(!Exponentialfunktion)

'''Wofür wird die logistische Regression nicht typischerweise verwendet?'''
(!Vorhersage der Wahrscheinlichkeit eines binären Ausgangs)
(!Vorhersage des Ausfallrisikos von Kreditnehmern)
(!Schätzung der Wahrscheinlichkeit, dass ein Kunde ein Produkt kauft)
(Vorhersage kontinuierlicher Werte)

'''Welches Verfahren wird verwendet, um die Parameter in der logistischen Regression zu schätzen?'''
(Maximum-Likelihood-Schätzung)
(!Kleinste Quadrate Schätzung)
(!Bayes'sche Schätzung)
(!Gradientenabstieg)

'''In welchem Bereich wird die logistische Regression häufig angewendet?'''
(Medizin)
(!Quantenphysik)
(!Astrophysik)
(!Geologie)

{{:Multiple-Choice Ende}}
<br>

{{:BRK}}
== Memory ==

<div class="memo-quiz">
{|
|-
| Logistische Regression || Vorhersage von Wahrscheinlichkeiten
|-
| Logit-Funktion || Transformation zu Werten zwischen 0 und 1
|-
| Maximum-Likelihood-Schätzung || Schätzverfahren für Parameter
|-
| Medizin || Anwendungsgebiet
|-
| Lineare Regression || Nicht geeignet für binäre Ausgänge
|}
{{:Memo Ende}}
<br>
{{:BRK}}
== Kreuzworträtsel ==

<div class="kreuzwort-quiz">
{|
|-
| logit || Welche Funktion ist zentral in der logistischen Regression?
|-
| medizin || In welchem Feld wird logistische Regression häufig angewendet?
|-
| kredit || In welchem Bereich hilft die logistische Regression, Risiken zu bewerten?
|-
| wahrscheinlichkeit || Was wird in der logistischen Regression vorhergesagt?
|-
| parameter || Was wird durch Maximum-Likelihood-Schätzung bestimmt?
|-
| binär || Wie wird der Ausgang in der logistischen Regression beschrieben?
|-
| marketing || In welchem Bereich wird die Wahrscheinlichkeit des Kaufverhaltens analysiert?
|}
{{:Kreuzwort Ende}}
<br>
== LearningApps ==

<iframe> https://learningapps.org/index.php?s=Logistische+Regression </iframe>
== Lückentext ==

<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Die logistische Regression { wird } für binäre Klassifikationsprobleme verwendet. Die { Logit-Funktion } transformiert die lineare Kombination der Eingabemerkmale in eine { Wahrscheinlichkeit }. Die Parameter werden durch die { Maximum-Likelihood-Schätzung } bestimmt.
</quiz>
{{:BRK}}
= Offene Aufgaben =

=== Leicht ===
{{o}} Untersuche, wie verschiedene Sektoren wie [[Medizin]], [[Finanzwesen]], und [[Marketing]] logistische Regression anwenden. Schreibe einen kurzen Aufsatz über deine Erkenntnisse.
{{o}} Erstelle eine einfache Umfrage in deinem Umfeld, um Daten für eine binäre Frage zu sammeln (z.B. „Nutzt du täglich den öffentlichen Nahverkehr?“). Versuche, die gesammelten Daten mit Hilfe der logistischen Regression zu analysieren.

=== Standard ===
{{o}} Simuliere mit einer Statistik-Software deiner Wahl einen Datensatz, der für die logistische Regression geeignet ist. Führe eine Analyse durch und interpretiere die Ergebnisse.
{{o}} Erstelle ein Lehrvideo, in dem du erklärst, wie die Logit-Funktion funktioniert und wie sie in der logistischen Regression angewendet wird.
{{o}} Entwickle ein kleines Programm in Python oder R, das die Maximum-Likelihood-Schätzung für einen gegebenen Datensatz durchführt.

=== Schwer ===
{{o}} Führe eine umfassende Analyse eines realen Datensatzes durch, bei dem du die logistische Regression anwendest. Dokumentiere den Prozess und die Schlussfolgerungen in einem wissenschaftlichen Bericht.
{{o}} Entwirf ein Experiment, um die Effektivität von Marketing-Strategien zu testen, und verwende die logistische Regression, um die Ergebnisse zu analysieren.
{{o}} Untersuche die Unterschiede zwischen logistischer Regression und anderen Klassifikationsmethoden anhand eines selbst gewählten Datensatzes. Präsentiere deine Erkenntnisse in einer Diskussionsrunde.

{{:Offene Aufgabe - MOOC erstellen}}

{{:BRK}}
= Lernkontrolle =

{{o}} Erkläre, warum die lineare Regression nicht geeignet ist, um binäre Ausgänge zu modellieren, und warum die logistische Regression eine bessere Wahl ist.
{{o}} Diskutiere, wie die Logit-Funktion die lineare Kombination der Eingabemerkmale transformiert und warum diese Transformation notwendig ist.
{{o}} Vergleiche die Maximum-Likelihood-Schätzung mit anderen Schätzverfahren. Warum wird sie bevorzugt für die logistische Regression verwendet?
{{o}} Entwickle ein Szenario, in dem die logistische Regression eine wichtige Rolle bei der Entscheidungsfindung spielt, und erläutere die zugrunde liegenden Annahmen des Modells.
{{o}} Reflektiere über die Grenzen der logistischen Regression und diskutiere mögliche Lösungen für diese Einschränkungen.

<br>
<br>
= OERs zum Thema =
<iframe> https://de.m.wikipedia.org/wiki/Logistische_Regression </iframe>
<br>
= Links =
{| align=center
{{:D-Tab}}
'''[[Logistische Regression]]'''
{{o}} [[Logistische Regression - Anwendungsgebiete|Anwendungsgebiete]]
{{o}} [[Logistische Regression - Grundlagen|Grundlagen]]
{{o}} [[Maximum-Likelihood-Schätzung|Maximum-Likelihood-Schätzung]]
{{o}} [[Statistik-Software|Statistik-Software]]
|}

[[Kategorie:Statistik]]
[[Kategorie:Maschinelles Lernen]]
[[Kategorie:AI_MOOC]]

= Teilen - Diskussion - Bewerten =
{{:Teilen - MOOCit}}
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]

Logistic Regression - Versionsgeschichte