เปรียบเทียบวิธี

	การถดถอยโลจิสติก	การวิเคราะห์องค์ประกอบหลัก
สาขาวิชา	สถิติการวิจัย	การเรียนรู้ของเครื่อง
ตระกูล	Process / pipeline	Machine learning
ปีกำเนิด	1958	2002
ผู้ริเริ่ม	David Roxbee Cox	Jolliffe, I.T. (textbook); Pearson & Hotelling (origins)
ประเภท	Method	Unsupervised dimensionality reduction
แหล่งต้นตำรับ	Cox, D. R. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society, Series B, 20(2), 215–242.	Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer.
ชื่อเรียกอื่น	logit model, binomial logistic regression, LR	Temel Bileşenler Analizi (PCA), PCA, principal components analysis, Karhunen-Loève transform
ที่เกี่ยวข้อง	3	3
สรุป	Logistic regression is a statistical method for modeling the probability of a binary outcome (disease present/absent, success/failure) as a function of continuous and categorical predictors. Developed by David Roxbee Cox (1958), it solves the problem of predicting categorical outcomes by applying a logistic transformation to constrain predictions to the [0,1] probability interval, enabling accurate risk stratification, diagnostic prediction, and causal inference in epidemiology, medicine, and social science.	Principal Component Analysis (PCA) is an unsupervised dimensionality-reduction method — given its modern textbook treatment by Ian Jolliffe (2002) — that compresses high-dimensional data into fewer dimensions while preserving the maximum possible variance. It re-expresses correlated variables as a small set of uncorrelated principal components ordered by how much of the data's variation each one captures.