在我們的免費在線課程中了解更多信息：
工業問題解決的統計思維
LITHIUM.OoyalaPlayer.addVideo('https:\/\/player.ooyala.com\/static\/v4\/production\/', 'lia-vid-F5c2o4ajE6M0PGrRUmD-uk5717YA94fww1600h900r743', 'F5c2o4ajE6M0PGrRUmD-uk5717YA94fw', {"pcode":"ltbGkyOjMl3V3pZ3Trn6T2z1_rjF","playerBrandingId":"ODI0MmQ3NjNhYWVjODliZTgzY2ZkMDdi","width":"1600px","height":"900px"});
（在“我的視頻”中查看）
在此示例中，我們使用雜質X邏輯數據，使用X擬合Y來擬合結果和催化劑濃度的邏輯回歸模型。
分析>通過X擬合Y
結果作為Y，響應和催化劑濃度作為X，因子。
左下角的分析鍵告訴我們，JMP將進行邏輯回歸分析。我們還看到目標水平是失敗，這是我們感興趣的建模結果。
默認情況下，JMP對結果的概率進行字母數字建模。如果需要，我們可以使用此字段更改目標類別。在此示例中，我們將對失敗的概率進行建模。
值排序列屬性
注意，我們還可以通過設置“值排序”列屬性來更改在所有分析中建模的值。為此，我們右鍵單擊數據表中的列名稱，選擇“列屬性”，然後選擇“值排序”。
失敗已經在列表中的第一位，因此我們只需取消，返回分析對話框，然後單擊“確定”即可運行分析。
默認圖為邏輯曲線。從曲線中可以看出，隨著Catalyst Conc值的增加，失敗的可能性也會增加。
從曲線的陡度，我們可以看到這種關係是很牢固的。數據點以Catalyst Conc的值繪製（在X軸上），並根據結果顯示在曲線的上方或下方。曲線下方標出了不符合雜質標準的批次，並相對於Y軸隨機散佈。
我們可以使用該模型來預測不同濃度的Catalyst Conc的結果。當我們從頂部的紅色三角形中選擇“保存概率公式”時，JMP將向數據表中添加四個新列。
Lin [Fail]是logit，即邏輯模型。當我們查看公式時，我們會看到在參數估計表中報告的截距和斜率係數。 接下來的兩列Prob [Fail]和Prob [Pass]是根據logit計算的預測概率。在第一行中，我們看到基於Catalyst Conc為1.5的Prob [Fail]為0.11。第四列，最有可能的結果，根據預測概率最高的結果將結果分類為失敗或通過。在第一行中，Prob [Pass]是最高的，因此結果被歸類為Pass。
返回分析窗口，我們可以在“擬合詳細信息”報告中查看錯誤分類率，以查看模型的性能如何。對於僅包含Catalyst Conc的邏輯模型，總體錯誤分類率為15％。也就是說，模型中有15％的觀察結果被錯誤分類。這個簡單的邏輯回歸模型有15％的時間是錯誤的。我們可以做得更好嗎？在下一個視頻中，我們將建立一個更複雜的模型，以查看是否可以提高總體錯誤分類率。
