请帮我解释下列使用logistic回归得到的表格 net1 Coef. St.Err. t-value p-value [95% Conf Interval] Sig age .904 .006 -14.10 0 .892 .917 *** gender 1.113 .095 1.25 .213 .941 1.316 cp 1.124 .112 1.17 .243 .924 1.367 party 3.579 .412 11.08 0 2.857 4.485 *** Constant 415.81 213.117 11.77 0 152.273 1135.444 *** Mean dependent var 0.351 SD dependent var 0.477 Pseudo r-squared 0.090 Number of obs 2890 Chi-square 338.614 Prob > chi2 0.000 Akaike crit. (AIC) 3416.713 Bayesian crit. (BIC) 3446.558 *** p<.01, ** p<.05, * p<.1

这是一个使用 logistic 回归模型进行二分类问题建模得到的结果表格，其中包含了模型参数、标准误差、假设检验结果以及模型性能指标等信息。具体解释如下：

- net1：模型名称或编号。
- Coef.：每个特征的系数，用于计算该特征对分类结果的贡献。例如，party 特征的系数为 3.579，表示该特征对分类结果的贡献比其他特征更大。
- St.Err.：每个系数的标准误差，反映了该系数的抽样误差大小。
- t-value：各个系数的 t 值，用于检验该系数是否显著。例如，party 特征的 t 值为 11.08，p 值为 0，说明该特征对分类结果的贡献是显著的。
- p-value：各个系数的 p 值，用于检验该系数是否显著。例如，gender 特征的 p 值为 0.213，大于 0.05，说明该特征对分类结果的贡献不显著。
- [95% Conf. Interval]：每个系数的置信区间，用于表示该系数的真实值可能落在哪个区间内。
- Sig：各个系数的显著性标识，用于表示该系数是否显著。例如，*** 表示 p<.01，即该特征对分类结果的贡献非常显著。
- Mean dependent var：样本的平均分类结果，例如该样本中 35.1% 的个体分类为正例。
- SD dependent var：样本分类结果的标准差，例如该样本中分类结果的标准差为 0.477。
- Pseudo r-squared：模型的拟合优度指标，表示模型对样本分类结果的解释程度，此处为伪 R 方。该值越高，模型对样本分类结果的解释越好。
- Number of obs：样本的观测数，即样本量。
- Chi-square：模型的卡方值，用于检验模型的拟合优度。该值越大，说明模型对样本分类结果的解释能力越强。
- Prob > chi2：卡方检验结果的 p 值，用于检验模型的拟合优度是否显著。
- Akaike crit. (AIC)：模型的 AIC 值，用于比较不同模型的拟合优度。该值越小，说明模型对未知样本的预测能力越好。
- Bayesian crit. (BIC)：模型的 BIC 值，用于比较不同模型的拟合优度。该值越小，说明模型对未知样本的预测能力越好。