邊界方程，la相界你好。
我有一些數據，其中每組似乎在 2 個因素測試的“通過”和“未通過”結果之間具有線性邊界。 有沒有辦法計算兩組結果之間的邊界方程？
謝謝你的建議。 附上數據集的示例。
回复：邊界方程，la相界邏輯模型有可視化，以幫助解釋和利用模型。 我使用 Sample Data 文件夾中的 Big Class 數據集來擬合模型 Logit(sex) F(height, weight)。 這是其中的兩個地塊：
我將身高和體重值設置為（幾乎）實現零輸出。 您可以看到，無論哪種方式，結果的概率基本上都是 0.5。
回复：邊界方程，la相界那是對的。 Lin[Fail] 存儲來自擬合模型的線性預測器。 它代表 Logit。 當 logit 為零時，機率為 1，因此 Fail 和 not Fail 的概率相等。
回复：邊界方程，la相界謝謝你們！ 在邏輯回歸解決方案的基礎上，我注意到 Lin[Fail] 函數對於 [Fail] 類別為正，而對於 [Pass] 類別為負。 因此，直覺上建議 Lin[Fail] 在預測的 [Pass] 和 [Fail] 類別之間的邊界上為零。 由於 Lin[Fail] 的公式是模型的輸出，因此在該公式中將 Lin[Fail] 等同於零給出了我所追求的邊界方程。
回复：邊界方程，la相界另一種流行的分類方法是二元邏輯回歸. 以下是對您的數據進行此類分析的結果：
響應是 logit(Result) 與線性預測變量（線性組合）的對比，因此解釋可能比判別函數更熟悉。
見章節名義物流平台在幫助>圖書>擬合線性模型.
遞歸分區也提供分類，但由於這種情況下的強線性關係，它需要非常多的拆分。 這麼大的樹會更難解釋。
回复：邊界方程，la相界這個例子是一個分類的例子。 有許多技術可以實現這一目標。 特別是，可能滿足您對“邊界”的需求的一個是線性判別函數. 以下是應用於您的數據的結果：
這種分類非常適合二元響應，16 分之一的錯誤分類。
選擇分析>多元方法>判別式. 選擇預測因子並點擊Y，協變量. 選擇回复並點擊X, 類別. （是的，這種方式似乎與 X 和 Y 分析角色的通常含義相反。）單擊好的.
我建議你看看幫助>圖書>多元方法以及有關判別平台的章節以獲取更多信息。
回复：邊界方程，la相界可能有更好的方法......希望另一個社區成員會說出來......但你可能想嘗試的是運行回歸，並保存預測，然後使用分發平台，擬合正態 2 混合分佈。它會給你兩個分佈的平均值和西格瑪，從那裡你應該能夠估計一個分割點
