Regresi Logistik Peluang Kegagalan Sensor dari Suhu Operasi dan Lama Pemakaian

Contoh hasil

• 0.86Accuracy
• 0.927AUC
• 0.841Sensitivity
• 0.877Specificity
• 6.953Odds ratio Operating temperature
• 230.537Deviance

Regresi logistik memprediksi Sensor failure status dengan akurasi 0.860 dan AUC 0.927 (sensitivitas 0.841, spesifisitas 0.877); setiap kenaikan satu satuan Operating temperature mengalikan odds dengan 6.95.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Regresi Logistik dengan fitglm

fitglm dengan distribusi binomial membangun regresi logistik untuk memodelkan peluang hasil biner. Cocok untuk klasifikasi dua kelas dengan interpretasi lewat odds ratio, misalnya lulus/tidak lulus atau gagal/tidak gagal.

Langkah pengerjaan

1. 1Siapkan table dengan respons biner (0/1) dan prediktor
2. 2Bagi data latih dan uji dengan cvpartition
3. 3Latih fitglm dengan Distribution binomial
4. 4Baca koefisien dan hitung odds ratio dengan exp
5. 5Prediksi peluang pada data uji, hitung confusion matrix dan AUC (perfcurve)
6. 6Plot kurva ROC

Asumsi yang perlu diperiksa

• Respons biner dan pengamatan saling bebas
• Hubungan linear antara prediktor dan log-odds
• Jumlah kejadian cukup (misalnya 10 kejadian per prediktor)

Membaca dan melaporkan hasil

Laporkan koefisien, odds ratio dengan interval kepercayaan, AUC, dan confusion matrix pada data uji. Pilih ambang klasifikasi dengan alasan yang jelas, bukan otomatis 0,5.

Contoh kode MATLAB

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

rng(3);
n = 400;
operating_temperature = randn(n, 1);
usage_duration = randn(n, 1);
logit = 1.5*operating_temperature - 1.0*usage_duration + 0.2;
sensor_failure_status = double(rand(n, 1) < 1 ./ (1 + exp(-logit)));

tbl = table(operating_temperature, usage_duration, sensor_failure_status, 'VariableNames', {'operating_temperature', 'usage_duration', 'sensor_failure_status'});
cv = cvpartition(sensor_failure_status, 'HoldOut', 0.25);
trn = tbl(training(cv), :);  tst = tbl(test(cv), :);

mdl = fitglm(trn, 'sensor_failure_status ~ operating_temperature + usage_duration', 'Distribution', 'binomial');
disp(mdl);
ci = exp(coefCI(mdl));
fprintf('Odds ratios (est, lower, upper):\n');
disp([exp(mdl.Coefficients.Estimate), ci]);

prob = predict(mdl, tst);
pred = prob > 0.5;
cm = confusionmat(tst.sensor_failure_status, double(pred));
disp(cm);
[fpr, tpr, ~, auc] = perfcurve(tst.sensor_failure_status, prob, 1);
fprintf('Accuracy = %.3f, AUC = %.3f\n', mean(pred == tst.sensor_failure_status), auc);

figure; plot(fpr, tpr, 'LineWidth', 1.5); hold on; plot([0 1], [0 1], 'k--');
xlabel('False positive rate'); ylabel('True positive rate'); title(sprintf('ROC (AUC = %.3f)', auc));

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum