数学建模社区-数学中国

标题: Logistic回归实例2 [打印本页]

---

作者: 2744557306    时间: 2023-11-30 17:34
标题: Logistic回归实例2
# logistic回归
实际上线性最小二乘回归和Logistic回归都是广义线性模型的一个特例。当随机变量Y服从高斯分布，那么得到的是线性最小二乘回归，当随机变量服从伯努利分布，则得到的是Logistic回归。
% w: {- j6 U3 `# u9 B3 {' h) L* x
R软件提供了拟合计算广义线性模型的函数glm()，其命令格式如下：fitted.model <- glm(formula, family=family.generator, data=data.frame) 其中，formula是拟合公式；family是分布族，即前面讲到的广义线性模型的种类，如正态分布、Poisson分布、二项分布等。

- N% e# O; a. [* h
$ c. @! L3 ^8 D4 o$ L+ Z有了上面这些分布族和连接函数，我们就可以完成相应的广义线性模型的拟合问题。
! A( v* t4 x* ^6 ]7 _
9 N$ X, m$ d3 d  g. f1）正态分布 正态分布族的使用方法： fm <- glm(formula, family=gaussian(link=identity), data=data.frame) 其中，link=identity可以不写，因为正态分布的连接函数缺省值是恒等（identity）。事实上，整个参数family=gaussian也可以不写，因为分布族的缺省值就是正态分布。 注意：正态分布的广义线性模型实际上与线性模型是相同的，也就是 fm <- glm(formula, family=gaussian, data=data.frame) 与线性模型 fm <- lm(formula, data=data.frame)有完全相同的结果，但效率却低得多。

  M3 B, M  ]- O! F0 \2 D0 z' |2）二项分布


logistic回归模型是一个非线性回归模型，自变量可以是连续变量，也可以是分类变量，或哑变量。但可以使用线性回归模型对参数进行估计，所以Logistic回归模型属于广义线性模型。
5 u( M+ d" }3 b- X: v% v9 r1 Z! V
& N* ?" E7 C( C, K' [7 ILogistic回归模型的公式为： fm <- glm(formula, family=binomial(link=logit), data=data.frame) 其中，link=logit可以不写，因为logit是二项分布族连接函数的缺省状态。
- j  R3 u) A! N( x  X* t6 R0 [$ O实例一、Norell实验，高压电线对牲畜的影响

1. #1、加载数据
   
2. norell<-data.frame( x=0:5, n=rep(70,6), success=c(0,9,21,47,60,63) )
   . z& z; K* B2 T
3. norell$Ymat<-cbind(norell$success, norell$n-norell$success)  
   
4. 
   0 x# Q- u% Q! V9 |' h7 _8 S" R
5. #2、建模
   
6. glm.sol <- glm(Ymat ~ x, family=binomial, data=norell)
   
7. 
   + l( l. ~5 _1 A8 U
8. #3、模型评估
   
9. summary(glm.sol)

复制代码

1. ##
   
2. ## Call:
   
3. ## glm(formula = Ymat ~ x, family = binomial, data = norell)
   $ L/ s" c! I5 x6 R& _7 t+ d+ [
4. ##
   8 G$ J" ^& D; V- t
5. ## Deviance Residuals:
   2 c0 l8 r+ T, _# r) o3 v
6. ##       1        2        3        4        5        6  
   
7. ## -2.2507   0.3892  -0.1466   1.1080   0.3234  -1.6679  
   
8. ##
   
9. ## Coefficients:
   
10. ##             Estimate Std. Error z value Pr(>|z|)   
    7 B% e# j- e% b& x! z
11. ## (Intercept)  -3.3010     0.3238  -10.20   <2e-16 ***
    . @1 o  ]& u$ j4 I! _! q" m- G
12. ## x             1.2459     0.1119   11.13   <2e-16 ***
    9 ?8 @% i  \( r  K" `
13. ## ---
    1 y* y- k8 i6 T4 g
14. ## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
    : N' o2 t4 S4 ~  W
15. ##
    
16. ## (Dispersion parameter for binomial family taken to be 1)
    : J( W5 O$ l# _* ~$ v; L
17. ##
    & `1 [6 U6 l; E# N9 |! X+ v
18. ##     Null deviance: 250.4866  on 5  degrees of freedom
    ! ]" y, p$ D2 q8 l
19. ## Residual deviance:   9.3526  on 4  degrees of freedom
    
20. ## AIC: 34.093
    + m" Y: X6 h; ~, F1 {4 U+ |
21. ##
    
22. ## Number of Fisher Scoring iterations: 4

复制代码

1. #与线性回归模型相同，在得到回归模型后，可以作预测：电流强度为3.5毫安时，有响应的牛的概率
   
2. 
   7 E+ z! J% g$ i
3. #4、预测
     A4 H/ W4 Q1 P% m8 z2 j! D
4. pre <- predict(glm.sol, data.frame(x=3.5))
   
5. (p <- exp(pre)/(1+exp(pre)))

复制代码

1. ##        1
   
2. ## 0.742642

复制代码

1. #求有50%的牛响应时的电流强度：当P=0.5时，ln(P/(1-P))=0,所以X=-b0/b1
   
2. glm.sol$coefficients

复制代码

1. ## (Intercept)           x
   
2. ##   -3.301035    1.245937

复制代码

1. (X <- -glm.sol$coefficients[[1]]/glm.sol$coefficients[[2]])

复制代码

1. ## [1] 2.649439

复制代码

1. #5、画出响应比例与logistic回归曲线：
   
2. d <- seq(0, 5, length=100)
   
3. pre <- predict(glm.sol, data.frame(x=d))
   / J% R3 V1 B, _/ {
4. p <- exp(pre)/(1+exp(pre))
   " }+ G1 n% k( X  l' m' Y6 ~% Z( P
5. norell$y <- norell$success/norell$n
   
6. plot(norell$x, norell$y)
   % T5 M! u( G* f9 c  h
7. lines(d, p)

复制代码

1. #其中，d是给出曲线横坐标的点，pre是计算预测值，p是相应的预测概率。用plot函数和lines给出散点图和对应的预测曲线。

复制代码

9 ^. r: A0 V, R1 I

---

欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)

Powered by Discuz! X2.5