Data Mining for the Masses

Chapter 9: Logistic Regression 
151 
DEPLOYMENT 
 
In the context of the person represented on Row 11, it seems pretty obvious that Sonia should try 
to reach out to this gentleman right away, offering help in every aspect.  She may want to help him 
find  a  weight  loss  support  group,  such  as  Overeaters  Anonymous,  provide  information  about 
dealing  with  divorce  and/or  stress,  and  encourage  the  person  to  work  with  his  doctor  to  better 
regulate his cholesterol through diet and perhaps medication as well.  There may be a number of 
the  690  individuals  who  fairly  clearly  need  specific  help.    Click  twice  on  the  attribute  name 
confidence(Yes).    Clicking  on  a  column  heading  (the  attribute  name)  in  RapidMiner  results 
perspective will sort the data set by that attribute.  Click it once to sort in ascending order, twice to 
re-sort in descending order, and a third time to return the data set to its original state.  Figure 9-11 
shows our results sorted in descending order on the confidence(Yes) attribute. 
 
Figure 9-11.  Results sorted by confidence(Yes) in descending order (two clicks on the attribute 
name). 
 
If  you  were  to  count  down  from  the  first  record  (Row  667)  to  the  point  at  which  our 
confidence(Yes)  value  is 0.950,  you  would  find  that  there are  140  individuals  in  the  data  set  for 
whom we have a 95% or better confidence that they are at risk for heart attack recurrence (and 
that’s not rounding up those who have a 0.949 in the ‘Yes’ column).  So there are some who are 

---

 
Data Mining for the Masses 
152 
fairly easy to spot.  You might notice that many are divorced, but several are also widowed.  Loss 
of a spouse by any means is difficult, so perhaps Sonia can begin by offering more programs to 
support those who fit this description.  Most of these individuals are obese and have cholesterol 
levels  over  200,  and  none  have  participated  in  stress  management  classes.    Sonia  has  several 
opportunities to help these individuals, and she would probably offer these folks opportunities to 
participate in several programs, or create one program that offers a holistic approach to physical and 
mental well-being.  Because there are a good number of these individuals who share so many high 
risk traits, this may be an excellent way to create support groups for them. 
 
But  there  are  also  those  individuals  in  the  data  set  who  maybe  need  help,  but  aren’t  quite  as 
obvious, and perhaps only need help in one or two areas.  Click confidence(yes) a third time to 
return the results data to its original state (sorted by Row No.).  Now, scroll down until you find 
Row 95 (highlighted in Figure 9-12).  Make a note of this person’s attributes. 
 
Figure 9-12.  Examining the first of two similar individuals with different risk levels. 
 
Next locate Row 554 (Figure 9-13). 
 
Figure 9-13.  The second of two similar individuals with different risk levels. 
 
The two people represented on rows 95 and 554 have a lot in common.  First of all, they’re both in 
this data set because they’ve suffered heart attacks.  They are both 70 year old women who’s 
husbands have died.  Both have trait anxiety of 65 points.  And yet we are predicting with 96% 

---

Chapter 9: Logistic Regression 
153 
certainty that the first will not suffer another heart attack, while predicting with almost 80% that the 
other will.  Even their weight categories are similar, though being overweight certainly plays into 
the second woman’s risk.  But what is really evident in comparing thes two women is that the 
second woman has a cholesterol level that nearly touches the top of our range in this data set (the 
upper bound shown in Figure 9-9 is 239), and she hasn’t been to stress management classes.  
Perhaps Sonia can use such comparisons to help this woman understand just how dramatically she 
can improve her chances of avoiding another heart attack.  In essence, Sonia could say: “There are 
women who are a lot like you who have almost zero chance of suffering another heart attack.  By 
lowering your cholesterol, learning to manage your stress, and perhaps getting your weight down 
closer to a normal level, you can almost eliminate your risk for another heart attack.”  Sonia could 
follow up by offering specific programs for this woman targeted specifically at cholesterol, weight 
or stress management. 
 
 
CHAPTER SUMMARY 
 
Logistic regression is an excellent way to predict whether or not something will happen, and how 
confident we are in such predictions.  It takes a number of numeric attributes into account and 
then  uses  those  through  a  training  data  set  to  predict  the  probable  outcomes  in  a  comparable 
scoring  data  set.    Logistic  regression  uses  a  nominal  target  attribute  (or  label,  in  RapidMiner)  to 
categorize observations in a scoring data set into their probable outcomes. 
 
As with linear regression, the scoring data must have ranges that fall within their corresponding 
training  data  ranges.    Without  such  bounds,  it  is  unsafe  and  unwise  to  draw  assumptions  about 
observations in the scoring data set, since there are no comparable observations in the training data 
upon which to base your scoring assumptions.  When used within these bounds however, logistic 
regression can help us quickly and easily predict the outcome of some phenomenon in a data set, 
and to determine how confident we can be in the accuracy of that prediction. 
 
 
 
 
 

---