边界方程，la相界你好。
我有一些数据，其中每组似乎在 2 个因素测试的“通过”和“未通过”结果之间具有线性边界。 有没有办法计算两组结果之间的边界方程？
谢谢你的建议。 附上数据集的示例。
回复：边界方程，la相界有逻辑模型的可视化，以帮助解释和利用模型。 我使用 Sample Data 文件夹中的 Big Class 数据集来拟合模型 Logit(sex) F(height, weight)。 这是其中的两个地块：
我将身高和体重值设置为（几乎）实现零输出。 您可以看到，无论哪种方式，结果的概率基本上都是 0.5。
回复：边界方程，la相界那是对的。 Lin[Fail] 存储来自拟合模型的线性预测器。 它代表 Logit。 当 logit 为零时，几率为 1，因此 Fail 和 not Fail 的概率相等。
回复：边界方程，la相界谢谢你们！ 在逻辑回归解决方案的基础上，我注意到 Lin[Fail] 函数对于 [Fail] 类别为正，而对于 [Pass] 类别为负。 因此，直觉上建议 Lin[Fail] 在预测的 [Pass] 和 [Fail] 类别之间的边界上为零。 由于 Lin[Fail] 的公式是模型的输出，因此在该公式中将 Lin[Fail] 等同于零给出了我所追求的边界方程。
回复：边界方程，la相界另一种流行的分类方法是二元逻辑回归. 以下是对您的数据进行此类分析的结果：
响应是 logit(Result) 与线性预测变量（线性组合）的对比，因此解释可能比判别函数更熟悉。
见章节名义物流平台在帮助>图书>拟合线性模型.
递归分区也提供分类，但由于这种情况下的强线性关系，它需要非常多的拆分。 这么大的树会更难解释。
回复：边界方程，la相界这个例子是一个分类的例子。 有许多技术可以实现这一目标。 特别是，可能满足您对“边界”的需求的一个是线性判别函数. 以下是应用于您的数据的结果：
这种分类非常适合二元响应，16 分之一的错误分类。
选择分析>多元方法>判别式. 选择预测因子并点击Y，协变量. 选择回复并点击X, 类别. （是的，这种方式似乎与 X 和 Y 分析角色的通常含义相反。）单击好的.
我建议你看看帮助>图书>多元方法以及有关判别平台的章节以获取更多信息。
回复：边界方程，la相界可能有更好的方法......希望另一个社区成员会说出来......但你可能想尝试的是运行回归，并保存预测，然后使用分发平台，拟合正态 2 混合分布。它会给你两个分布的平均值和西格玛，从那里你应该能够估计一个分割点
