|
自己整理编写的逻辑回归模板，作为学习笔记记录分享。数据集用的是14个自变量Xi，一个因变量Y的australian数据集。
1. 测试集和训练集3、7分组
- australian <- read.csv("australian.csv",as.is = T,sep=",",header=TRUE)
- #读取行数
- N = length(australian$Y)
- #ind=1的是0.7概率出现的行，ind=2是0.3概率出现的行
- ind=sample(2,N,replace=TRUE,prob=c(0.7,0.3))
- #生成训练集(这里训练集和测试集随机设置为原数据集的70%，30%)
- aus_train <- australian[ind==1,]
- #生成测试集
- aus_test <- australian[ind==2,]
2.生成模型，结果导出
- #生成logis模型，用glm函数
- #用训练集数据生成logis模型，用glm函数
- #family：每一种响应分布（指数分布族）允许各种关联函数将均值和线性预测器关联起来。常用的family：binomal(link='logit')--响应变量服从二项分布，连接函数为logit，即logistic回归
- pre <- glm(Y ~.,family=binomial(link = "logit"),data = aus_train)
- summary(pre)
-
- #测试集的真实值
- real <- aus_test$Y
- #predict函数可以获得模型的预测值。这里预测所需的模型对象为pre，预测对象newdata为测试集,预测所需类型type选择response,对响应变量的区间进行调整
- predict. <- predict.glm(pre,type='response',newdata=aus_test)
- #按照预测值为1的概率，>0.5的返回1，其余返回0
- predict =ifelse(predict.>0.5,1,0)
- #数据中加入预测值一列
- aus_test$predict = predict
- #导出结果为csv格式
- #write.csv(aus_test,"aus_test.csv")
3.模型检验
- ##模型检验
- res <- data.frame(real,predict)
- #训练数据的行数，也就是样本数量
- n = nrow(aus_train)
- #计算Cox-Snell拟合优度
- R2 <- 1-exp((pre$deviance-pre$null.deviance)/n)
- cat("Cox-Snell R2=",R2,"\n")
- #计算Nagelkerke拟合优度，我们在最后输出这个拟合优度值
- R2<-R2/(1-exp((-pre$null.deviance)/n))
- cat("Nagelkerke R2=",R2,"\n")
- ##模型的其他指标
- #residuals(pre) #残差
- #coefficients(pre) #系数，线性模型的截距项和每个自变量的斜率，由此得出线性方程表达式。或者写为coef(pre)
- #anova(pre) #方差
4.准确率和精度
- true_value=aus_test[,15]
- predict_value=aus_test[,16]
- #计算模型精确度
- error = predict_value-true_value
- accuracy = (nrow(aus_test)-sum(abs(error)))/nrow(aus_test) #精确度--判断正确的数量占总数的比例
- #计算Precision，Recall和F-measure
- #一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了
- #和混淆矩阵结合，Precision计算的是所有被检索到的item（TP+FP）中,"应该被检索到的item（TP）”占的比例；Recall计算的是所有检索到的item（TP）占所有"应该被检索到的item（TP+FN）"的比例。
- precision=sum(true_value & predict_value)/sum(predict_value) #真实值预测值全为1 / 预测值全为1 --- 提取出的正确信息条数/提取出的信息条数
- recall=sum(predict_value & true_value)/sum(true_value) #真实值预测值全为1 / 真实值全为1 --- 提取出的正确信息条数 /样本中的信息条数
- #P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure（又称为F-Score）
- F_measure=2*precision*recall/(precision+recall) #F-Measure是Precision和Recall加权调和平均，是一个综合评价指标
- #输出以上各结果
- print(accuracy)
- print(precision)
- print(recall)
- print(F_measure)
- #混淆矩阵，显示结果依次为TP、FN、FP、TN
- table(true_value,predict_value)
5.ROC曲线的几个方法
- #ROC曲线
- # 方法1
- #install.packages("ROCR")
- library(ROCR)
- pred <- prediction(predict.,true_value) #预测值(0.5二分类之前的预测值)和真实值
- performance(pred,'auc')@y.values #AUC值
- perf <- performance(pred,'tpr','fpr')
- plot(perf)
- #方法2
- #install.packages("pROC")
- library(pROC)
- modelroc <- roc(true_value,predict.)
- plot(modelroc, print.auc=TRUE, auc.polygon=TRUE,legacy.axes=TRUE, grid=c(0.1, 0.2),
- grid.col=c("green", "red"), max.auc.polygon=TRUE,
- auc.polygon.col="skyblue", print.thres=TRUE) #画出ROC曲线，标出坐标，并标出AUC的值
- #方法3，按ROC定义
- TPR=rep(0,1000)
- FPR=rep(0,1000)
- p=predict.
- for(i in 1:1000)
- {
- p0=i/1000;
- ypred<-1*(p>p0)
- TPR[i]=sum(ypred*true_value)/sum(true_value)
- FPR[i]=sum(ypred*(1-true_value))/sum(1-true_value)
- }
- plot(FPR,TPR,type="l",col=2)
- points(c(0,1),c(0,1),type="l",lty=2)
6.更换测试集和训练集的选取方式，采用十折交叉验证
- australian <- read.csv("australian.csv",as.is = T,sep=",",header=TRUE)
- #将australian数据分成随机十等分
- #install.packages("caret")
- #固定folds函数的分组
- set.seed(7)
- require(caret)
- folds <- createFolds(y=australian$Y,k=10)
-
- #构建for循环，得10次交叉验证的测试集精确度、训练集精确度
-
- max=0
- num=0
-
- for(i in 1:10){
-
- fold_test <- australian[folds[[i]],] #取folds[[i]]作为测试集
- fold_train <- australian[-folds[[i]],] # 剩下的数据作为训练集
-
- print("***组号***")
-
- fold_pre <- glm(Y ~.,family=binomial(link='logit'),data=fold_train)
- fold_predict <- predict(fold_pre,type='response',newdata=fold_test)
- fold_predict =ifelse(fold_predict>0.5,1,0)
- fold_test$predict = fold_predict
- fold_error = fold_test[,16]-fold_test[,15]
- fold_accuracy = (nrow(fold_test)-sum(abs(fold_error)))/nrow(fold_test)
- print(i)
- print("***测试集精确度***")
- print(fold_accuracy)
- print("***训练集精确度***")
- fold_predict2 <- predict(fold_pre,type='response',newdata=fold_train)
- fold_predict2 =ifelse(fold_predict2>0.5,1,0)
- fold_train$predict = fold_predict2
- fold_error2 = fold_train[,16]-fold_train[,15]
- fold_accuracy2 = (nrow(fold_train)-sum(abs(fold_error2)))/nrow(fold_train)
- print(fold_accuracy2)
-
-
- if(fold_accuracy>max)
- {
- max=fold_accuracy
- num=i
- }
-
- }
-
- print(max)
- print(num)
-
- ##结果可以看到，精确度accuracy最大的一次为max,取folds[[num]]作为测试集，其余作为训练集。
7.得到十折交叉验证的精确度，结果导出
- #十折里测试集最大精确度的结果
- testi <- australian[folds[[num]],]
- traini <- australian[-folds[[num]],] # 剩下的folds作为训练集
- prei <- glm(Y ~.,family=binomial(link='logit'),data=traini)
- predicti <- predict.glm(prei,type='response',newdata=testi)
- predicti =ifelse(predicti>0.5,1,0)
- testi$predict = predicti
- #write.csv(testi,"ausfold_test.csv")
- errori = testi[,16]-testi[,15]
- accuracyi = (nrow(testi)-sum(abs(errori)))/nrow(testi)
-
- #十折里训练集的精确度
- predicti2 <- predict.glm(prei,type='response',newdata=traini)
- predicti2 =ifelse(predicti2>0.5,1,0)
- traini$predict = predicti2
- errori2 = traini[,16]-traini[,15]
- accuracyi2 = (nrow(traini)-sum(abs(errori2)))/nrow(traini)
-
- #测试集精确度、取第i组、训练集精确
- accuracyi;num;accuracyi2
- #write.csv(traini,"ausfold_train.csv")
|
