فرض کنید شما صاحب یه فروشگاهید و می‌خواید عبور و مرور افراد به داخل فروشگاهتون رو کنترل کنید اما اونقدر پول ندارید که یه دوربین بخرید و به‌جاش از یه ترازو دم در ورودی فروشگاه استفاده می‌کنید.

شما می‌خواید بدونید هرکسی که وارد فروشگاهتون میشه، بچه‌اس یا بزرگسال؟ برای همین از یه مدل رگرسیون لجیستیک استفاده می‌کنید که وزن طرف رو بگیره و احتمال بچه یا بزرگسال بودنش رو بهتون برگردونه.
فرض کنید توی این مثال، اکثریت بچه‌ها زیر ۷۰ کیلو و اکثریت بزرگسالان بالای ۷۰ کیلو هستن. مشخصاً یه‌سری بزرگسال پیدا میشن که وزنشون زیر ۷۰ کیلوعه و یه‌سری بچه هم پیدا میشن که وزنشون بالای ۷۰ کیلوعه. اساس مدل شما هم روی هم هتروژن بودن داده‌هاس.
فرض کنید الان یه نفر وارد شده با وزن ۶۰ کیلو، و شما از مدلتون می‌خواید که بهتون بگه چقدر احتمال داره این فرد ۶۰ کیلویی، بچه باشه یا بزرگسال؟
و مدل شما هم یه عدد بهتون برمی‌گردونه، مثلاً ۷۰ درصد احتمال داره که بچه باشه.

این مثالِ همچی گل و بلبل شبیه شکل سمت چپه.

📌 1/2

#Statistics

اما مشکل کجا شروع میشه؟
فرض کنید این دفعه هرچی بزرگسال دارید بالای ۷۰ کیلوعه و هرچی بچه دارید زیر ۷۰ کیلوعه.
حالا یه نفر وارد میشه که وزنش ۶۵ کیلوعه و شما ازش می‌خواید احتمال بچه یا بزرگسال بودن طرف رو بهتون بگه.

به‌نظر شما مدلتون چه جوابی بهتون میده؟
اینجا مدلتون یه‌جورایی fail میشه. چرا؟ چون می‌بینه هرکی بالای ۷۰ کیلوعه بزرگسال و هرکی زیر ۷۰ کیلو، بچه بوده. الانم شما بهش یه وزن دادید ۶۵ کیلو. مدلتون هم بهتون میگه خب هرچی زیر ۷۰ کیلو به من گفتین بچه بوده، الانم ۱۰۰ درصد این طرف بچه‌اس :)))

این مثال میشه مثل شکل سمت راستی.

✅ سوال اول: مدل ما قاطی کرده؟
نه‌خیر! مدلتون براساس دیتاستی که بهش دادید ساخته میشه‌. طبق اون دیتاست، اتفاقاً خیلی هم خوب جوابتون رو داده.

✅ سوال دوم: آیا مدل ما قابل استفاده هستش؟
مشخصاً نه! چرا؟ چون نمونه‌گیری شما کم بوده، به قولی Representative جامعه‌ی هدفتون نبوده. آیا می‌تونید قسم بخورید هرکی زیر ۷۰ کیلو اومد بچه‌اس؟

اینجاست که مشکل ما شروع میشه. در جلسه‌ی بعدی به صورت عملی و با مثال داخل R در مورد این مشکل صحبت می‌کنیم😁

📌 2/2

#Statistics

الان که خارج از تهران و دور از دود و دم این شهرم، کاملاً می‌فهمم چرا انسان‌های باستان بیشتر ازینکه سرشون پایین و روی زمین باشه، رو به آسمان‌ها و ستاره‌ها بود؛
ای کاش زمانی به دنیا میومدیم که حداقل جواب این سؤالات باستانی و ماقبل‌تاریخی رو هم می‌دونستیم.

[اگه امتحانات و تکالیف اساتید و اینترنی اجازه بده] ان‌شاءالله آخر این هفته جلسه‌ی آخر رگرسیون لجیستیک دوجمله‌ای رو ضبط می‌کنم و بعدش میریم سراغ این✌️

✅ جلسه‌ی پنجم و آخر از پارت اول، رگرسیون لجیستیک دوجمله‌ای:

تو این قسمت اومدم در رابطه با این مشکل، علت به وجود اومدنش و نحوه‌ی شناساییش صحبت کردم و یه‌سری پیشنهاد راجع به برخورد باهاش دادم😁

📍 لینک فیلم:

یوتیوب

#Statistics
#Binomial_logistic_regression

الان که دیگه یه پارت رو کامل گفتم، شاید خوب باشه که دیگه شروع کنم کانال رو این‌ور و اون‌ور تبلیغ کنم؛

گروهی، کانالی، جامعه‌ای اگه می‌شناسید ممنون میشم معرفی کنید❤️🤝

🔰 رگرسیون لجیستیک دو جمله‌ای - Binomial logistic regression

📌 سرفصل‌های تدریس:

✅ جلسه‌ی اول: نحوه‌ی ساخت و تفسیر مدل رگرسیون لجیستیک دوجمله‌ای

✅ جلسه‌ی دوم: کشیدن نمودار

✅ جلسه‌ی سوم: نحوه‌ی پیدا کردن Outlierها و Influential caseها

✅ جلسه‌ی چهارم: چک کردن پیش‌فرض‌های مدل

✅ جلسه‌ی پنجم: یه مشکل شایع!

💯 جلسه‌ی تکمیلی

#Statistics
#Binomial_logistic_regression

✅ یه نکته‌ی مهم!

یه‌زمانی شما می‌خوای ارتباط بین مثلاً سطح درآمد و وضعیت خرید کردن رو بسنجی، خیلی راحت می‌نویسی:

model <- glm(Purchased ~ EstimatedSalary, data = mydata, family = binomial())

خیلیم عالی!

اما یه زمانی شما می‌خوای مثلاً متغیر سن یا Age رو هم به عنوان مخدوش‌کننده یا Confounder بیاری و ارتباط بین درآمد و وضعیت خرید کردن رو براساس این متغیر Adjust کنی، در اون صورت خیلی راحت این متغیر رو وارد مدلت می‌کنی:

model <- glm(Purchased ~ Age + EstimatedSalary, data = mydata, family = binomial())

📌 نکته‌ی نهایی: برای اینکه یه متغیر رو به عنوان مخدوش‌کننده وارد مدلت کنی، صرفاً و تنها کافیه به فرمولت اضافه‌اش کنی، درست مثل شکل بالا!

🌐 منبع تصویر

#Statistics
#Binomial_logistic_regression

سلام😁 آماده‌این یه داستان جالب بگم خدمتتون؟

تابه‌حال شده به آدم‌هایی بربخورین که خیلی زیاد و به‌کرات به‌خاطر احساس گرمای زیاد از خواب بیدار بشن؟
خیلی‌ از این افراد ممکنه گرگرفتگی داشته باشن، روی داروی خاصی باشن، تیروئیدشون پر کار بشه یا ...

اما در افراد طبیعی و سالمِ سالم چی؟ یعنی چه مشکلی اینا ممکنه داشته باشن؟

یه ایده‌ای که من و آقای دکتر امیرحسین عبدالعلی‌زاده‌ی عزیز و دوست‌داشتنی بررسیش کردیم، این بود که نکنه این آدما (که همه‌چیزشون سالمه) تو یه‌جایی از مغزشون که مسئول پردازش حس گرماس، دچار مشکل شده باشن؟

یعنی ممکنه بین اون قسمتی از مغز که مسئول پردازش اطلاعات گرمایی محیط بیرونیه، با اون قسمت از مغز که مسئول ایجاد احساس سابجکتیو و درونی گرماس، اختلال ارتباط عملکردی رخ داده باشه؟

این ایده رو ما قریب به ۱ سال بررسی کردیم، بهش شاخ و برگ دادیم، خوندیم، علف‌های هرزش رو هرس کردیم، سبک و سنگین کردیم، آنالیز کردیم و ... و در نهایت متوجه شدیم که بلههه! این فرضیه‌ای که ما داشتیم در نتایجمون تأیید شده🤩

ما این نتایج رو فرستادیم واسه یه کنگره به اسم Organization for human brain mapping، که شد آنچه که شد:
مُشُتُلُق بدین🫴

🎉 دریافت گرنت مسافرتی OHBM توسط اعضای انجمن INRP 🎉

◀️ آقای عرفان نقوی، دانشجوی پزشکی دانشگاه علوم پزشکی تهران و از اعضای فعال پژوهشی انجمن INRP بابت ارائه پژوهش اخیرشان در کنگره سالانه سازمان نقشه‌برداری مغز (OHBM) که امسال در سئول کره جنوبی برگزار می‌شود برنده گرنت مسافرتی شدند.

♨️ لینک پوستر: https://ww6.aievolution.com/hbm2401/index.cfm?do=abs.viewAbstract&style=1&abstractID=3063

🧠 @NeuroINRP
🧠Discussion group
🆔 @SSRC_News

این چند روز متأسفانه انقدر سرم شلوغ بود و این‌ور و اون‌ور درگیر بودم که نشد برم سر وقت این؛
ان‌شاءالله آخر هفته پرونده‌ی رگرسیون لجیستیک دوجمله‌ای رو با بررسی این مقاله و داده‌هاش می‌بندیم و وارد رگرسیون لجیستیک چندجمله‌ای یا Multinomial logistic regression میشیم.

📌 عزیزای دلی که تو کانال هستین:

بالاخره بعد از ۱ ماه غیبت، تا چند دقیقه‌ی دیگه پرونده‌ی رگرسیون لجیستیک دوجمله‌ای رو می‌بندیم و دفتر رگرسیون لجیستیک چندجمله‌ای رو باز می‌کنیم😎

🔥 جلسه‌ی تکمیلی و طلایی پارت اول، رگرسیون لجیستیک دوجمله‌ای:

تو این قسمت اومدیم داده‌های این مقاله و آنالیز آماریش رو بررسی کردیم و با نحوه‌ی ریپورت اون‌ها آشنا شدیم😁

📍 لینک فیلم:

یوتیوب

#Statistics
#Binomial_logistic_regression