رگرسیون لوژستیک ‏با مقادیر فازی و کاربرد آن در پزشکی

رگرسیون لوژستیک فازی یکی از روش‌های قدرتمند برای مدل‌سازی داده‌های نادقیق است. این مدل با استفاده از نظریه مجموعه‌های فازی، امکان تحلیل داده‌هایی را فراهم می‌سازد که ویژگی‌های غیر قطعی دارند. در این مقاله‏‏، رگرسیون لوژستیک فازی برای متغیرهای تصادفی فازی ‏‎‏زبانی‎ معرفی و کاربردهای عملی آن در حوزه‌ی پزشکی ذکر می‌شوند. روش‌های مختلفی برای‏ برآورد پارامترها وجود دارد‏، در این میان، روش ماکزیمم درستنمایی یکی از تکنیک‌های اساسی در تخمین پارامترهای مدل‌های آماری است که با بیشینه‌سازی تابع درستنمایی داده‌ها، دقت تخمین‌ها را در اکثر موارد بهبود می‌بخشد. در این مقاله، پارامترهای مدل رگرسیون لوژستیک فازی با استفاده از روش ماکزیمم درستنمایی برآورد شده و مزایای آن در مقایسه با روش‌های کلاسیک مورد ارزیابی قرار گرفته است. کاربرد‎‏ی از روش بیان شده روی یک مجموعه داده در حوزه پزشکی پیاده سازی شده است.

logistic regression with fuzzy values ​​and its application in medicine

fuzzy logistic regression is known as one of the powerful methods for modeling data with uncertainty. this model provides the possibility of data analysis by using the theory of fuzzy sets which have non-deterministic characteristics. in this article, fuzzy logistic regression for linguistic fuzzy random variables is introduced and its practical applications in the field of medicine are mentioned. there are various methods to estimate the parameters, among them, the maximum likelihood method is one of the basic techniques in estimating the parameters of statistical models, which improves the accuracy of the estimates in most cases by maximizing the likelihood function of the data. in this article, the combination of fuzzy logistic regression with the maximum likelihood method is investigated and its advantages compared to classical methods are evaluated. an application of the described method has been implemented on a data set in the field of medicine.