个性化阅读
专注于IT技术分析

R逻辑回归示例图解

在逻辑回归中, 拟合了回归曲线y = f(x)。在回归曲线方程中, y是类别变量。该回归模型用于预测y给定了一组预测变量x。因此, 预测变量可以是分类的, 连续的或两者的混合。

逻辑回归是一种属于非线性回归的分类算法。该模型用于将给定的二进制结果(1/0, 是/否, 是/否)预测为一组独立变量。此外, 它有助于使用虚拟变量表示分类/二进制结果。

Logistic回归是一种回归模型, 其中响应变量具有分类值, 例如true / false或0/1。因此, 我们可以测量二进制响应的概率。

有以下用于逻辑回归的数学方程式:

y = 1 /(1 + e ^-(b0 + b1 x1 + b2 x2 +⋯))

在上式中, y是响应变量, x是预测变量, b0和b1, b2, … bn是系数, 是数字常数。我们使用glm()函数创建回归模型。

glm()函数具有以下语法。

glm(formula, data, family)

这里,

S.No Parameter Description
1. formula 它是一个表示变量与变量之间的关系的符号。
2. data 它是提供变量值的数据集。
3. family 一个R对象, 它指定模型的详细信息, 其值对于逻辑回归是二项式的。

建立逻辑回归

内置数据集” mtcars”描述了具有不同发动机规格的各种车型。在” mtcars”数据集中, 传输模式由列” am”描述, 该列是二进制值(0或1)。我们可以在” am”列与其他三列hp, wt和cyl之间构建逻辑回归模型。

让我们看一个示例, 以了解如何使用glm函数创建逻辑回归, 以及如何使用summary函数查找分析摘要。

在我们的示例中, 我们将使用R环境中可用的数据集” BreastCancer”。要使用它, 我们首先需要安装” mlbench”和” caret”软件包。

例子

#Loading library
library(mlbench)
#Using BreastCancer dataset
data(BreastCancer, package = "mlbench")
breast_canc = BreastCancer[complete.cases(BreastCancer), ]
#Displaying the information related to dataset with the str() function.
str(breast_canc)

输出

R Logistic回归

现在, 我们将数据分为训练集和测试集, 训练集包含70%的数据, 测试集包括剩余百分比。

#Dividing dataset into training and test dataset.
set.seed(100)
#Creating partitioning.
Training_Ratio <- createDataPartition(b_canc$Class, p=0.7, list = F)
#Creating training data.
Training_Data <- b_canc[Training_Ratio, ]
str(Training_Data)
#Creating test data.
Test_Data <- b_canc[-Training_Ratio, ]
str(Test_Data)

输出

R Logistic回归

现在, 我们借助glm()函数构造逻辑回归函数。我们将公式Class_Cell.shape作为第一个参数, 并将属性族指定为” binomial”, 并使用Training_data作为第三个参数。

例子

#Creating Regression Model
glm(Class ~ Cell.shape, family="binomial", data = Training_Data)

输出

R Logistic回归

现在, 使用摘要功能进行分析。

#Creating Regression Model
model<-glm(Class ~ Cell.shape, family="binomial", data = Training_Data)
#Using summary function
print(summary(model))

输出

R Logistic回归

赞(0) 打赏
未经允许不得转载:srcmini » R逻辑回归示例图解
分享到: 更多 (0)

评论 抢沙发

评论前必须登录!

 

觉得文章有用就打赏一下文章作者

微信扫一扫打赏