چکیده: رگرسیون لجستیک‏، در مدل‌سازی داده‎‌های‎ آماری گسسته کمک می‌کند. ‏مدل‌های آماری با داده‌های گسسته در علوم پزشکی (مانند مرگ/حیات‏، وجود بیماری/عدم بیماری و ...)‎کاربرد‎ فراوان دارند. ‎ ‏در‎ تشخیص بیماری‏، پزشکان از منابع اطلاعاتی مختلفی‏، مانند تاریخچه بالینی بیماری‏، معاینات بدنی‏، تست‌های آزمایشگاهیو غیره استفاده می‌کنند. اما قرار دادن افراد در دو گروه بیمار و سالم اصولاً در هاله‌ای از ابهام است و مشاهدات مبهم درتشخیص بالینی‏، فراوان دیده می‌شود.در چنین مواردی به دلیل نادقیق بودن متغیر پاسخ‏، رگرسیون لجستیک مناسب نیست. برای مدل‌ساز مشاهدات پاسخ دودویی فازی‏، مدل رگرسیون لجستیک فازی در این پایان‌نامه ارائه شده است. برای محاسبه امکان موفقیت در مدل لجستیک فازی‏، اصطلاح ترم‌های زبانی مانند... ‎‏، کم‏، متوسط‏، زیاد‏، ... تعریف می‌شود. سپس‏، با استفاده از اصل گسترش‏،تبدیل لجیت «نسبت بخت امکانی» براساس مجموعه‌ای از مشاهدات متغیرهای تبیینی دقیق مدل‌سازی می‌شود. همچنینبرای برآورد ضرایب مدل پیشنهادی از روش امکانی و روش کمترین توان دوم فازی استفاده می‌کنیم. همچنین برای ارزیابی مدل‏، دو روش انتخاب مدل ارائه می‌دهیم.