二元logistic回归结果表达

二元logistic回归结果表达通常会包括以下关键部分：
1.模型系数: 这是模型中每个自变量的估计系数。

对于二元
Logistic回归，系数通常不会像线性回归那样直接解释为每单位自变量增加导致的因变量变化。

相反，它们是用来计算因变量的预测概率的。

2.Odds Ratio: Odds Ratio是模型系数的解释性描述。

它是预测概
率变化与基线概率变化的比率，当一个自变量增加一个单位时（其他自变量保持不变）。

例如，如果一个自变量的系数是0.5，那么它的Odds Ratio是exp(0.5) = 1.65，意味着这个自变量每增加一个单位，事件发生的相对风险是1.65倍。

3.显著性: 这表示该自变量是否对模型的预测有统计显著影响。

通常使用p值来表示，如果p值小于预定的显著性水平（如0.05或0.01），则认为该变量对模型的贡献是显著的。

4.置信区间: 这表示预测的Odds Ratio的上下限。

它提供了关于
估计的精确性的信息。

5.接受域概率: 这是模型预测为阳性的概率阈值。

例如，如果接受
域概率设置为0.5，那么所有预测概率大于0.5的观察值将被归类为阳性。

6.似然比检验: 这是一种比较模型拟合优度的统计检验，通过比
较模型中的参数数量和自由度数量来评估模型质量。

7.混淆矩阵: 这是一个表格，显示模型预测和实际观察结果之间
的比较。

它提供了真正例（True Positives）、假正例（False
Positives）、真反例（True Negatives）和假反例（False Negatives）的数量。

8.AUC (Area Under the Curve): 对于二元分类问题，AUC是ROC
曲线下的面积，用于评估模型的性能。

AUC值越接近1，表示模型性能越好；AUC值越接近0.5，表示模型性能越差。

9.Akaike's Information Criterion (AIC)和Bayesian Information
Criterion (BIC): 这些准则用于比较不同模型之间的拟合优度，考虑到模型的复杂性和拟合数据的程度。

较低的AIC和BIC值通常表示更好的模型。