邏輯回歸是回歸模型，其中響應變量（因變量）具有諸如True / False或0/1的分類值。 它實際上基于將其與預測變量相關的數學方程測量二元響應的概率作為響應變量的值。

邏輯回歸的一般數學方程為 -

y = 1/(1+e^-(a+b1x1+b2x2+b3x3+...))

以下是所使用的參數的描述 -

• y是響應變量。

• x是預測變量。

• a和b是作為數字常數的系數。

用于創建回歸模型的函數是glm()函數。

語法

邏輯回歸中glm()函數的基本語法是 -

glm(formula,data,family)

以下是所使用的參數的描述 -

• formula是表示變量之間的關系的符號。

• data是給出這些變量的值的數據集。

• family是R語言對象來指定模型的細節。 它的值是二項邏輯回歸。

例

內置數據集“mtcars”描述具有各種發動機規格的汽車的不同型號。 在“mtcars”數據集中，傳輸模式（自動或手動）由am列描述，它是一個二進制值（0或1）。 我們可以在列“am”和其他3列（hp，wt和cyl）之間創建邏輯回歸模型。

# Select some columns form mtcars. input <- mtcars[,c("am","cyl","hp","wt")]print(head(input))

當我們執行上面的代碼，它產生以下結果 -

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

創建回歸模型

我們使用glm()函數創建回歸模型，并得到其摘要進行分析。

input <- mtcars[,c("am","cyl","hp","wt")]am.data = glm(formula = am ~ cyl + hp + wt, data = input, family = binomial)print(summary(am.data))

當我們執行上面的代碼，它產生以下結果 -

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: 17.841Number of Fisher Scoring iterations: 8

結論

在總結中，對于變量“cyl”和“hp”，最后一列中的p值大于0.05，我們認為它們對變量“am”的值有貢獻是無關緊要的。 只有重量（wt）影響該回歸模型中的“am”值。

總結

以上是生活随笔為你收集整理的R语言 逻辑回归的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。