R 语言逻辑回归

R 语言逻辑回归

逻辑回归是一种回归模型，其中响应变量（因变量）具有分类值，例如True / False或0/1。实际上，它根据与预测变量关联的数学方程式将二进制响应的概率作为响应变量的值进行测量。

逻辑回归的一般数学方程为-
```
y = 1/(1+e^-(a+b1x1+b2x2+b3x3+...))
```
以下是所用参数的描述-
- y - 是响应变量。
- x - 是预测变量。
- a和b - 是作为数字常数的系数。
用于创建回归模型的函数是glm（）函数。

逻辑回归中glm（）函数的基本语法为-
```
glm(formula,data,family)
```
以下是所用参数的描述-
- formula - 是表示变量之间关系的符号。
- data - 是给出这些变量值的数据集。
- family - 是R对象，用于指定模型的详细信息。对于逻辑回归，它的值是二项式的。
内置数据集“mtcars”描述了具有不同发动机规格的汽车的不同型号。在“ mtcars”数据集中，传输模式（自动或手动）由二进制列am（0或1）描述。我们可以在“ am”列和其他3列-hp，wt和cyl之间创建逻辑回归模型。
```
# Select some columns form mtcars.
input <- mtcars[,c("am","cyl","hp","wt")]

print(head(input))
```
尝试一下
当我们执行以上代码时，它产生以下结果-
```
                  am   cyl  hp    wt
Mazda RX4          1   6    110   2.620
Mazda RX4 Wag      1   6    110   2.875
Datsun 710         1   4     93   2.320
Hornet 4 Drive     0   6    110   3.215
Hornet Sportabout  0   8    175   3.440
Valiant            0   6    105   3.460
```

创建回归模型

我们使用glm（）函数创建回归模型并获取其摘要以进行分析。


input <- mtcars[,c("am","cyl","hp","wt")]

am.data = glm(formula = am ~ cyl + hp + wt, data = input, family = binomial)

print(summary(am.data))

尝试一下

当我们执行以上代码时，它产生以下结果-


Call:
glm(formula = am ~ cyl + hp + wt, family = binomial, data = input)

Deviance Residuals: 
     Min        1Q      Median        3Q       Max  
-2.17272     -0.14907  -0.01464     0.14116   1.27641  

Coefficients:
            Estimate Std. Error z value Pr(>|z|)  
(Intercept) 19.70288    8.11637   2.428   0.0152 *
cyl          0.48760    1.07162   0.455   0.6491  
hp           0.03259    0.01886   1.728   0.0840 .
wt          -9.14947    4.15332  -2.203   0.0276 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 43.2297  on 31  degrees of freedom
Residual deviance:  9.8415  on 28  degrees of freedom
AIC: 17.841

Number of Fisher Scoring iterations: 8

结论

在摘要中，由于变量“ cyl”和“ hp”的最后一列的p值大于0.05，我们认为它们对变量“ am”的贡献无关紧要。在此回归模型中，只有权重（wt）影响“ am”值。

R 语言 逻辑回归

R 语言 逻辑回归

创建回归模型

R 语言逻辑回归

R 语言逻辑回归