Logistic回归是一种统计方法，它可根据输入字段的值对记录进行分类。这种技术与线性回归类似，但用分类目标字段代替了数值字段。例如，假设某个电信提供商根据服务使用情况模式对其客户群进行了细分，将这些客户分为了四个组。如果人口统计数据可用于预测组成员资格，那么您可以为各个潜在客户定制报价。
| 研究模型 | 软件 | 日期 |
|---|---|---|
| 多项逻辑回归 | SPSS Modeler | 2021年6月26日 |
一、案例背景
本示例主要讲述使用人口统计数据预测使用情况模式。目标字段custcat 有四个可能的值对应于四个客户组，如下所示：
由于目标具有多个类别，因此将使用多项模型。如果目标具有两个截然不同的类别(例如，是/否、真/假或者流失/未流失)，那么可以改为创建二项模型。(二项Logis-tic回归)
二、研究方法及建模路径
首先建立流。数据源是statistics类型，选取sav文件（SPSS保存的文件，预览如下）添加类型节点并单击读取值，确保所有测量级别设置正确。例如，具有值0和1的多数字段可视为标志。
其次，将客户类别字段的角色设置为目标。将所有其他字段的角色设置为Input，结果如图所示（变量很多，注意其分类）
如上所述，因为本示例主要讲述人口统计，所以请使用过滤节点以选取相关字段(地区、年龄、 婚姻状况 、地 址、收人、教育程度、行业、退休、性别、居住地和客户类别)，并不是所有字段都用到了，在进行决策树或其他机器统计学习模型时可以再添加，本次研究中其他字段可以排除在分析之外。
再次，进行逻辑回归建模。插入模型节点，在Logistic 节点上，单击模型选项卡并选择逐步法。选中多项、主效应和将常量纳入方程式。将目标的底数类别保留为1。模型将对其他客户与预订基本服务的客户进行比较。并且在“专家”选项卡上，选中专家模式，选中输出，然后在“高级输出”对话框中选中分类表。
然后进行模型浏览，查看成功的建模结果。执行节点以生成将添加到右上角的“模型”选用板中的模型。要查看其详细信息，在节点上用右键单击并选择浏览。结果如下所示，左侧是方程式（优势）右侧是变量的重要性程度。
具体来说，上面这个“模型”选项卡中显示了用于将记录分配到目标字段的每个类别的方程式。有四个可能的类别，其中一个是未对其显示方程详细信息的基准类别。在余下的三个方程式中显示了详细信息，其中类别3表示增值服务，依此类推。
在高级和摘要选项卡中，可以查看其他信息，如建模流程，具体参数置信区间等等，一些我自己的操作结果如下所示：
最后，可以查看下预测值表格。引出一个table即可。如果需要检验数据的分布，或者描述性统计，可以插入一个矩阵查看13个字段的具体信息。
三、结果解读
结果解读如下所示，前面的是两张图片！！我就不转文字啦~
整体多项的Logit在建模上没什么困难，主要是调参和解读部分，有没有实证意义，对于该方面的研究如果用Python可以更好的进行交叉验证网格搜索，但modeler更方便，各取所需。
