|
在日常学习或工作中经常会使用线性回归模型对某一事物进行预测，例如预测房价、身高、GDP、学生成绩等，发现这些被预测的变量都属于连续型变量。然而有些情况下，被预测变量可能是二元变量，即成功或失败、流失或不流失、涨或跌等，对于这类问题，线性回归将束手无策。这个时候就需要另一种回归方法进行预测，即Logistic回归。 在实际应用中，Logistic模型主要有三大用途： 1）寻找危险因素，找到某些影响因变量的"坏因素"，一般可以通过优势比发现危险因素； 2）用于预测，可以预测某种情况发生的概率或可能性大小； 3）用于判别，判断某个新样本所属的类别。 Logistic模型实际上是一种回归模型，但这种模型又与普通的线性回归模型又有一定的区别： 1）Logistic回归模型的因变量为二分类变量； 2）该模型的因变量和自变量之间不存在线性关系； 3）一般线性回归模型中需要假设独立同分布、方差齐性等，而Logistic回归模型不需要； 4）Logistic回归没有关于自变量分布的假设条件，可以是连续变量、离散变量和虚拟变量； 5）由于因变量和自变量之间不存在线性关系，所以参数(偏回归系数)使用最大似然估计法计算。 logistic回归模型概述 广义线性回归是探索“响应变量的期望”与“自变量”的关系，以实现对非线性关系的某种拟合。这里面涉及到一个“连接函数”和一个“误差函数”，“响应变量的期望”经过连接函数作用后，与“自变量”存在线性关系。选取不同的“连接函数”与“误差函数”可以构造不同的广义回归模型。当误差函数取“二项分布”而连接函数取“logit函数”时，就是常见的“logistic回归模型”，在0-1响应的问题中得到了大量的应用。 Logistic回归主要通过构造一个重要的指标：发生比来判定因变量的类别。在这里我们引入概率的概念，把事件发生定义为Y=1，事件未发生定义为Y=0，那么事件发生的概率为p,事件未发生的概率为1-p，把p看成x的线性函数； 回归中，最常用的估计是最小二乘估计，因为使得p在[0,1]之间变换，最小二乘估计不太合适，有木有一种估计法能让p在趋近与0和1的时候变换缓慢一些（不敏感），这种变换是我们想要的，于是引入Logit变换,对p/(1-p)也就是发生与不发生的比值取对数，也称对数差异比。经过变换后，p对x就不是线性关系了。 logistic回归的公式可以表示为： 其中P是响应变量取1的概率，在0-1变量的情形中，这个概率就等于响应变量的期望。 这个公式也可以写成： 可以看出，logistic回归是对0-1响应变量的期望做logit变换，然后与自变量做线性回归。参数估计采用极大似然估计，显著性检验采用似然比检验。 建立模型并根据AIC准则选择模型后，可以对未知数据集进行预测，从而实现分类。模型预测的结果是得到每一个样本的响应变量取1的概率，为了得到分类结果，需要设定一个阈值p0——当p大于p0时，认为该样本的响应变量为1，否则为0。阈值大小对模型的预测效果有较大影响，需要进一步考虑。首先必须明确模型预测效果的评价指标。 对于0-1变量的二分类问题，分类的最终结果可以用表格表示为： 其中，d是“实际为1而预测为1”的样本个数，c是“实际为1而预测为0”的样本个数，其余依此类推。 显然地，主对角线所占的比重越大，则预测效果越佳，这也是一个基本的评价指标——总体准确率(a+d)/(a+b+c+d)。 准确（分类）率=正确预测的正反例数/总数 Accuracy=(a+d)/(a+b+c+d) 误分类率=错误预测的正反例数/总数 Error rate=(b+c)/(a+b+c+d)=1-Accuracy 正例的覆盖率=正确预测到的正例数/实际正例总数 Recall(True Positive Rate，or Sensitivity)=d/(c+d) 正例的命中率=正确预测到的正例数/预测正例总数 Precision(Positive Predicted Value,PV+)=d/(b+d) 负例的命中率=正确预测到的负例个数/预测负例总数 Negative predicted value(PV-)=a/(a+c) 通常将上述矩阵称为“分类矩阵”。一般情况下，我们比较关注响应变量取1的情形，将其称为Positive（正例），而将响应变量取0的情形称为Negative（负例）。常见的例子包括生物实验的响应、营销推广的响应以及信用评分中的违约等等。针对不同的问题与目的，我们通常采用ROC曲线与lift曲线作为评价logistic回归模型的指标。 1）ROC曲线 设置了两个相应的指标：TPR与FPR。 TPR：True Positive Rate（正例覆盖率），将实际的1正确地预测为1的概率，d/(c+d)。 FPR：False Positive Rate，将实际的0错误地预测为1的概率，b/(a+b)。 TPR也称为Sensitivity（即生物统计学中的敏感度），也可以称为“正例的覆盖率”——将实际为1的样本数找出来的概率。覆盖率是重要的指标，例如若分类的目标是找出潜在的劣质客户（响应变量取值为1），则覆盖率越大表示越多的劣质客户被找出。 类似地，1-FPR其实就是“负例的覆盖率”，也就是把负例正确地识别为负例的概率。 TPR与FPR相互影响，而我们希望能够使TPR尽量地大，而FPR尽量地小。影响TPR与FPR的重要因素就是上文提到的“阈值”。当阈值为0时，所有的样本都被预测为正例，因此TPR=1，而FPR=1。此时的FPR过大，无法实现分类的效果。随着阈值逐渐增大，被预测为正例的样本数逐渐减少，TPR和FPR各自减小，当阈值增大至1时，没有样本被预测为正例，此时TPR=0，FPR=0。 由上述变化过程可以看出，TPR与FPR存在同方向变化的关系（这种关系一般是非线性的），即，为了提升TPR（通过降低阈值），意味着FPR也将得到提升，两者之间存在类似相互制约的关系。我们希望能够在牺牲较少FPR的基础上尽可能地提高TPR，由此画出了ROC曲线。 ROC曲线的全称为“接受者操作特性曲线”（receiver operating characteristic），其基本形式为： 当预测效果较好时，ROC曲线凸向左上角的顶点。平移图中对角线，与ROC曲线相切，可以得到TPR较大而FPR较小的点。模型效果越好，则ROC曲线越远离对角线，极端的情形是ROC曲线经过（0，1）点，即将正例全部预测为正例而将负例全部预测为负例。ROC曲线下的面积可以定量地评价模型的效果，记作AUC，AUC越大则模型效果越好。 当我们分类的目标是将正例识别出来时（例如识别有违约倾向的信用卡客户），我们关注TPR，此时ROC曲线是评价模型效果的准绳。 2）lift曲线 在营销推广活动中，我们的首要目标并不是尽可能多地找出那些潜在客户，而是提高客户的响应率。客户响应率是影响投入产出比的重要因素。此时，我们关注的不再是TPR（覆盖率），而是另一个指标：命中率。 回顾前面介绍的分类矩阵，正例的命中率是指预测为正例的样本中的真实正例的比例，即d/(b+d)，一般记作PV。 在不使用模型的情况下，我们用先验概率估计正例的比例，即(c+d)/(a+b+c+d)，可以记为k。 定义提升值lift=PV/k。 lift揭示了logistic模型的效果。例如，若经验告诉我们10000个消费者中有1000个是我们的潜在客户，则我们向这10000个消费者发放传单的效率是10%（即客户的响应率是10%），k=(c+d)/(a+b+c+d)=10%。通过对这10000个消费者进行研究，建立logistic回归模型进行分类，我们得到有可能比较积极的1000个消费者，b+d=1000。如果此时这1000个消费者中有300个是我们的潜在客户，d=300，则命中率PV为30%。此时，我们的提升值lift=30%/10%=3，客户的响应率提升至原先的三倍，提高了投入产出比。 为了画lift图，需要定义一个新的概念depth深度，这是预测为正例的比例，(b+d)/(a+b+c+d)。 与ROC曲线中的TPR和FPR相同，lift和depth也都受到阈值的影响。 当阈值为0时，所有的样本都被预测为正例，因此depth=1，而PV=d/(b+d)=(0+d)/(0+b+0+d)=k，于是lift=1，模型未起提升作用。随着阈值逐渐增大，被预测为正例的样本数逐渐减少，depth减小，而较少的预测正例样本中的真实正例比例逐渐增大。当阈值增大至1时，没有样本被预测为正例，此时depth=0，而lift=0/0。 由此可见，lift与depth存在相反方向变化的关系。在此基础上作出lift图：
与ROC曲线不同，lift曲线凸向（0，1）点。我们希望在尽量大的depth下得到尽量大的lift（当然要大于1），也就是说这条曲线的右半部分应该尽量陡峭。 至此，我们对ROC曲线和lift曲线进行了描述。这两个指标都能够评价logistic回归模型的效果，只是分别适用于不同的问题： 如果是类似信用评分的问题，希望能够尽可能完全地识别出那些有违约风险的客户（不使一人漏网），我们需要考虑尽量增大TPR（覆盖率），同时减小FPR（减少误杀），因此选择ROC曲线及相应的AUC作为指标； 如果是做类似数据库精确营销的项目，希望能够通过对全体消费者的分类而得到具有较高响应率的客户群，从而提高投入产出比，我们需要考虑尽量提高lift（提升度），同时depth不能太小（如果只给一个消费者发放传单，虽然响应率较大，却无法得到足够多的响应），因此选择lift曲线作为指标。 相关R应用包 普通二分类 logistic 回归 用系统的 glm 因变量多分类 logistic 回归 有序分类因变量：用 MASS 包里的 polrb 无序分类因变量：用 nnet 包里的 multinom 条件logistic回归，用 survival 包里的 clogit R运行逻辑回归 R可以让逻辑回归建模过程变得很简单。我们可以使用glm()函数进行逻辑回归建模，而且，它的拟合过程和我们之前所做的线性回归没有很大的区别。在这篇博客中，我们将介绍如何一步一步的进行逻辑回归建模。 我们用r来看一下曲线的形状： x <- seq(from = -10, to = 10, by = 0.01)
p在0和1附近变化不敏感，ps:这条曲线帮了我一个大忙，最近做RTB竞价算法时，需要按照CTR设定一个CTR指导价，然后以CPC做曲线的修正，出于成本考虑，我们的出价不会高于某个固定值K，所以把这条曲线变换一下就派上大用场了。（扯远了） 这条曲线的主要特性是θ函数取值可以在-∞变到+∞，p的取值在[0,1],且极值端变化不敏感。这就是我们想要的。值得注意的是，经过logit变换，已经不是线性模型。 二、相关应用例子：Binary Logistic（因变量只能取两个值1和0虚拟因变量） 案例一：本文用例来自于John Maindonald所著的《Data Analysis and Graphics Using R》一书，其中所用的数据集是anesthetic，数据集来自于一组医学数据，其中变量conc表示麻醉剂的用量，move则表示手术病人是否有所移动，而我们用nomove做为因变量，因为研究的重点在于conc的增加是否会使nomove的概率增加。 首先载入数据集并读取部分文件，为了观察两个变量之间关系，我们可以利cdplot函数来绘制条件密度图 install.packages("DAAG") library(lattice) library(DAAG) head(anesthetic) move conc logconc nomove 1 0 1.0 0.0000000 1 2 1 1.2 0.1823216 0 3 0 1.4 0.3364722 1 4 1 1.4 0.3364722 0 5 1 1.2 0.1823216 0 6 0 2.5 0.9162907 1 cdplot(factor(nomove)~conc,data=anesthetic,main='条件密度图',ylab='病人移动',xlab='麻醉剂量') 从图中可见，随着麻醉剂量加大，手术病人倾向于静止。下面利用logistic回归进行建模，得到intercept和conc的系数为-6.47和5.57，由此可见麻醉剂量超过1.16(6.47/5.57)时，病人静止概率超过50%。 anes1=glm(nomove~conc,family=binomial(link='logit'),data=anesthetic) summary(anes1) 结果显示： Call: glm(formula = nomove ~ conc, family = binomial(link = "logit"), data = anesthetic) Deviance Residuals: Min 1Q Median 3Q Max -1.76666 -0.74407 0.03413 0.68666 2.06900 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -6.469 2.418 -2.675 0.00748 ** conc 5.567 2.044 2.724 0.00645 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 41.455 on 29 degrees of freedom Residual deviance: 27.754 on 28 degrees of freedom AIC: 31.754 Number of Fisher Scoring iterations: 5 下面做出模型的ROC曲线 anes1=glm(nomove~conc,family=binomial(link='logit'),data=anesthetic) 对模型做出预测结果 pre=predict(anes1,type='response') 将预测概率pre和实际结果放在一个数据框中 data=data.frame(prob=pre,obs=anesthetic$nomove) 将预测概率按照从低到高排序 data=data[order(data$prob),] n=nrow(data) tpr=fpr=rep(0,n) 根据不同的临界值threshold来计算TPR和FPR，之后绘制成图 for (i in 1:n){ threshold=data$prob[i] tp=sum(data$prob>threshold&data$obs==1) fp=sum(data$prob>threshold&data$obs==0) tn=sum(data$prob fn=sum(data$prob tpr[i]=tp/(tp+fn) #真正率 fpr[i]=fp/(tn+fp) #假正率 } plot(fpr,tpr,type='l') abline(a=0,b=1) R中也有专门绘制ROC曲线的包，如常见的ROCR包，它不仅可以用来画图，还能计算ROC曲线下面面积AUC,以评价分类器的综合性能，该数值取0-1之间，越大越好。 library(ROCR) pred=prediction(pre,anesthetic$nomove) performance(pred,'auc')@y.values perf=performance(pred,'tpr','fpr') plot(perf) 还可以使用更加强大的pROC包，它可以方便的比较两个分类器，并且能自动标出最优临界点，图形看起来比较漂亮： install.packages("pROC") library(pROC) modelroc=roc(anesthetic$nomove,pre) plot(modelroc,print.auc=TRUE,auc.polygon=TRUE,grid=c(0.1,0.2),grid.col=c("green","red"),max.auc.polygon=TRUE,auc.polygon.col="blue",print.thres=TRUE) 上面的方法是使用原始的0-1数据进行建模,即每一行数据均表示一个个体，另一种是使用汇总数据进行建模，先将原始数据按下面步骤进行汇总 anestot=aggregate(anesthetic[,c('move','nomove')],by=list(conc=anesthetic$conc),FUN=sum) 结果如下： conc move nomove 1 0.8 6 1 2 1.0 4 1 3 1.2 2 4 4 1.4 2 4 5 1.6 0 4 6 2.5 0 2 anestot$conc=as.numeric(as.character(anestot$conc)) anestot$total=apply(anestot[,c('move','nomove')],1,sum) anestot$total [1] 7 5 6 6 4 2 anestot$prop=anestot$nomove/anestot$total anestot$prop [1] 0.1428571 0.2000000 0.6666667 0.6666667 1.0000000 1.0000000 对于汇总数据，有两种方法可以得到同样的结果，一种是将两种结果的向量合并做为因变量，如anes2模型。另一种是将比率做为因变量，总量做为权重进行建模，如anes3模型。这两种建模结果是一样的。 anes2=glm(cbind(nomove,move)~conc,family=binomial(link='logit'),data=anestot) summary(anes2) 结果显示如下： Call: glm(formula = cbind(nomove, move) ~ conc, family = binomial(link = "logit"), data = anestot) Deviance Residuals: 1 2 3 4 5 6 0.20147 -0.45367 0.56890 -0.70000 0.81838 0.04826 Coefficients: Estimate Std. Error z value Pr(>z) (Intercept) -6.469 2.419 -2.675 0.00748 ** conc 5.567 2.044 2.724 0.00645 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 15.4334 on 5 degrees of freedom Residual deviance: 1.7321 on 4 degrees of freedom AIC: 13.811 Number of Fisher Scoring iterations: 5 anes3=glm(prop~conc,family=binomial(link='logit'),weights=total,data=anestot) 结果和上面的一样。 根据logistic模型，我们可以使用predict函数来预测结果，下面根据上述模型来绘图 x=seq(from=0,to=3,length.out=30) y=predict(anes1,data.frame(conc=x),type='response') plot(prop~conc,pch=16,col='red',data=anestot,xlim=c(0.5,3),main='Logistic回归曲线图',ylab='病人静止概率',xlab='麻醉剂量') lines(y~x,lty=2,col='blue') 案例二：利用iris数据集，进行逻辑回归二分类测试，该数据集是R语言自带得数据集，包括四个属性，和三个分类。逻辑回归我们用glm函数实现，该函数提供了各种类型的回归，如：提供正态、指数、gamma、逆高斯、Poisson、二项。我们用的logistic回归使用的是二项分布族binomial。 index <- which(iris$Species == 'setosa') 将种类为setosa的数据排除出我们需要的数据集 ir <- iris[- index,] levels(ir$Species)[1] <- '' 生成训练集 split <- sample(100,100*(2/3)) ir_train <- ir[split,] 生成测试集 通过训练集建立模型 summary(model) 模型运行结果： Call: glm(formula = Species ~ ., family = binomial(link = "logit"),data = ir_train) Deviance Residuals: Min 1Q Median 3Q Max -1.339e-04 -2.100e-08 2.100e-08 2.100e-08 1.059e-04 Coefficients: Estimate Std. Error z value Pr(>z) (Intercept) -1502.72 363247.01 -0.004 0.997 Sepal.Length 12.45 66482.13 0.000 1.000 Sepal.Width -285.61 95437.92 -0.003 0.998 Petal.Length 154.76 115968.97 0.001 0.999 Petal.Width 869.60 204513.80 0.004 0.997 (Dispersion parameter for binomial family taken to be 1) Null deviance: 9.0949e+01 on 65 degrees of freedom Residual deviance: 4.0575e-08 on 61 degrees of freedom AIC: 10 Number of Fisher Scoring iterations: 25 通过anova()函数 对模型进行方差分析 anova(model, test="Chisq") 方差分析如下： Analysis of Deviance Table Model: binomial, link: logit Response: Species Terms added sequentially (first to last) Df Deviance Resid. Df Resid. Dev Pr(>Chi) NULL 65 90.949 Sepal.Length 1 18.934 64 72.015 1.353e-05 *** Sepal.Width 1 0.131 63 71.884 0.7176 Petal.Length 1 51.960 62 19.924 5.665e-13 *** Petal.Width 1 19.924 61 0.000 8.058e-06 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 下面通过McFadden R2指标进一步对模型进行分析 install.packages("pscl") library(pscl) pR2(model) llh llhNull G2 McFadden r2ML r2CU -2.028752e-08 -4.547461e+01 9.094922e+01 1.000000e+00 7.479224e-01 1.000000e+00 为了得到分类结果，需要设定一个阈值p0——当p大于p0时，认为该样本的响应变量为1，否则为0。阈值大小对模型的预测效果有较大影响，需要进一步考虑。首先必须明确模型预测效果的评价指标。 求解训练模型的最佳阀值 对模型做出预测结果 model <- glm(Species ~.,family=binomial(link='logit'),data=ir_train) pre1=predict(model,type='response') 将预测概率pre1和实际结果放在一个数据框中 data1=data.frame(prob=pre1,obs=ifelse(ir_train$Species=="virginica",1,0)) 将预测概率按照从低到高排序 data1=data1[order(data1$prob),] n=nrow(data1) tpr=fpr=rep(0,n) 根据不同的临界值threshold来计算TPR和FPR，之后绘制成图 for (i in 1:n){ threshold=data1$prob[i] tp=sum(data1$prob>threshold&data1$obs==1) fp=sum(data1$prob>threshold&data1$obs==0) tn=sum(data$prob fn=sum(data$prob tpr[i]=tp/(tp+fn) #真正率 fpr[i]=fp/(tn+fp) #假正率 } plot(fpr,tpr,type='l') abline(a=0,b=1)
下面通过pROC包自动标出最优临界点(0.506) install.packages("pROC") library(pROC) modelroc1=roc(ifelse(ir_train$Species=="virginica",1,0),pre1) plot(modelroc1,print.auc=TRUE,auc.polygon=TRUE,grid=c(0.1,0.2),grid.col=c("green","red"),max.auc.polygon=TRUE,auc.polygon.col="skyblue",print.thres=TRUE)
评估模型的预测效果 predict <- predict(model,type='response',newdata=ir_test) predict.results <- ifelse( predict> 0.506,"virginica","versicolor") misClasificError <- mean(predict.results != ir_test$Species) print(paste('Accuracy',1-misClasificError)) [1] "Accuracy 1" 最后一步，我们将通过画ROC曲线，并计算其AUC面积，作为评估二类分类效果的一个典型测量 install.packages("ROCR") library(gplots) library(ROCR) p <- predict(model,type='response',newdata=ir_test) p.results <- ifelse( p> 0.5,1,0) pr <- prediction(p.results, ifelse(ir_test$Species=="virginica",1,0)) prf <- performance(pr, measure = "tpr", x.measure = "fpr") plot(prf) auc <- performance(pr, measure = "auc") auc <- auc@y.values[[1]] 0.9285714
auc real <- ir_test$Species data.frame(real,predict) res <- data.frame(real,predict =ifelse(predict>0.5,'virginca','versicorlor')) 查看模型效果 plot(res)
基于R的案例 以下这个例子主要参考《Introduction to statistical learning with R》，强烈推荐这本书。尤其是回归部分，讲解的很透彻。 数据以Smarket为例，该数据包含2001-2005年标准普尔500指数1250个观测值，9个变量。9个变量分别为：年份，前5个交易日的收益率，前一个交易日和交易额（单位：billions），今天的回报率和走势（上升或下降）。 df=read.csv("house.csv",header=TRUE) str(df) data.frame': 1250 obs. of 9 variables: $ Year : num 2001 2001 2001 2001 2001 ... $ Lag1 : num 0.381 0.959 1.032 -0.623 0.614 ... $ Lag2 : num -0.192 0.381 0.959 1.032 -0.623 ... $ Lag3 : num -2.624 -0.192 0.381 0.959 1.032 ... $ Lag4 : num -1.055 -2.624 -0.192 0.381 0.959 ... $ Lag5 : num 5.01 -1.055 -2.624 -0.192 0.381 ... $ Volume : num 1.19 1.3 1.41 1.28 1.21 ... $ Today : num 0.959 1.032 -0.623 0.614 0.213 ... $ Direction: Factor w/ 2 levels "Down","Up": 2 2 1 2 2 2 1 2 2 2 ... #以前5个交易日的收益率和前一个工作日的交易额为自变量，今天的走势做因变量做Logistic回归； glm.fit=glm(Direction~Lag1+Lag2+Lag3+Lag4+Lag5+Volume, data=Smarket,family="binomial") summary(glm.fit) Call: glm(formula = Direction ~ Lag1 + Lag2 + Lag3 + Lag4 + Lag5 + Volume, family = "binomial", data = Smarket) Deviance Residuals: Min 1Q Median 3Q Max -1.446 -1.203 1.065 1.145 1.326 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -0.126000 0.240736 -0.523 0.601 Lag1 -0.073074 0.050167 -1.457 0.145 Lag2 -0.042301 0.050086 -0.845 0.398 Lag3 0.011085 0.049939 0.222 0.824 Lag4 0.009359 0.049974 0.187 0.851 Lag5 0.010313 0.049511 0.208 0.835 Volume 0.135441 0.158360 0.855 0.392 (Dispersion parameter for binomial family taken to be 1) Null deviance: 1731.2 on 1249 degrees of freedom Residual deviance: 1727.6 on 1243 degrees of freedom AIC: 1741.6 Number of Fisher Scoring iterations: 3 有时候，预测股市就是这么不靠谱。很多自变量没通过验证，接下来我们基于AIC准则用逐步回归做一下变量筛选； 注：AIC一般公式为 AIC=2k-ln(L),其中k为参数的个数，L为估计模型最大化的似然函数值； step(glm.fit) Start: AIC=1741.58 Direction ~ Lag1 + Lag2 + Lag3 + Lag4 + Lag5 + Volume Df Deviance AIC - Lag4 1 1727.6 1739.6 - Lag5 1 1727.6 1739.6 - Lag3 1 1727.6 1739.6 - Lag2 1 1728.3 1740.3 - Volume 1 1728.3 1740.3 <none> 1727.6 1741.6 - Lag1 1 1729.7 1741.7 #此处略去一百字； Direction ~ 1 Call: glm(formula = Direction ~ 1, family = "binomial", data = Smarket) Coefficients: (Intercept) 0.07363 Degrees of Freedom: 1249 Total (i.e. Null); 1249 Residual Null Deviance: 1731 Residual Deviance: 1731 AIC: 1733 这个结果足以让你崩溃，扔硬币都比这靠谱。原来不用任何变量预测是最靠谱的。 #模型的评估 glm.probs =predict(glm.fit,type ="response") glm.probs[1:10] #生成哑变量 contrasts(Smarket$Direction) glm.pred=rep ("Down " ,1250) glm.pred[glm .probs >.5]=" Up" table(glm .pred ,Direction ) mean(glm.pred== Direction ) [1] 0.5216 通过混淆矩阵计算分类的准确性仅有52%，很不乐观； 挖掘本质上是挖掘有趣的的模式，以上数据说明我们白忙活了一场，但是我们通过实例学习了Logistic模型。 当然我们还可以通过数据变换或构造新的变量来提升拟合降低AIC，最终，模型讲究的还是泛化能力； 有时候：拟合很丰满，泛化很骨感。 因变量多分类 logistic 回归 1、概述：多元Logistic回归模型被用来建立有多个输出变量的模型，且这些预测变量通过一个线性组合变成为一个最终的预测变量。Multinomial Logistic 回归模型中因变量可以取多个值.例如一个典型的例子就是分类一部电影，它是“有趣”、“一般般”还是“无聊”。 所需的应用包： library(foreign) library(nnet) library(ggplot2) library(reshape2) 数据集我们将以Titanic数据集作为实例进行分析。关于这个数据集，在网上流传了好几个免费的版本，而我则建议大家使用在Kaggle上的那个版本，因为它已经被用过很多次了（如果你要下载这个数据集，你需要在Kaggle注册一个账号）。 数据清洗过程当我们拿到一个真实的数据集的时候，我们需要确认这个数据集有哪些缺失值或者异常值。因此，我们需要做这方面的准备工作以便我们后面对此进行数据分析。第一步则是我们使用read.csv()来读取数据集，可以在这里下载数据集。
现在，我们要查阅一下缺失值，并观察一下每个变量存在多少异常值，使用sapply()函数来展示数据框的每一列的值。
在这里对缺失值进行可视化会有帮助：Amelia包有一个特别的作图函数missmap()来针对我们的数据集进行作图，并且对缺失值做标记。
这个变量有非常多的缺失值，我们都不会使用他们。我们也会把Passengerld去掉，因为它只有索引和票。
观察一下缺失值现在，我们需要观察一下别的缺失值。R可以通过在拟合函数内设定一个参数集来产生拟合一个广义线性模型。不过，我个人认为，我们应当尽可能的手动去除这些缺失值。这里有很多种方法来说实现，而一种常用的方法就是以均值，或中位数，或者是一个众数来代替缺失值。这里，我们会使用均值。
为了能更容易的理解R是怎么处理分类变量的，我们可以使用contrasts()函数。这个函数向我们展示了R是如何优化变量的，并把它转译成模型。
比如，你可以看见在变量sex，female可被作为参考。在乘船上的缺失值，由于这里只有两行，我们可以把这两行删掉(我们也可以用众数取代缺失值，然后保留这些数据点）。
在继续拟合过程之前，让我们回顾一下数据清洗和重构的重要性。这样的预处理通常对于获得一个好而且预测能力强的模型是非常重要的。 模型拟合我们把数据分成两个部分，训练和测试集。训练数据集可用于模型的拟合，而测试数据集则对此进行测试。
现在，让我们拟合一下这个模型。确认我们在glm()函数使用参数family=binomial。
现在，使用summary()函数来获得这个模型的结果。
解读逻辑回归模型的结果现在，我们可以分析这个拟合的模型，阅读一下它的结果。首先，我们可以看到SibSp，Fare和Embarked并不是重要的变量。对于那些比较重要的变量，sex的p值最低，这说明sex与乘客的生存几率的关系是最强的。这个负系数预测变量表明其它变量都一样，男乘客生存的机率更低。记住，逻辑模型的因变量是对数机率：ln(odds) = ln(p/(1-p)) = ax1 + bx2 + … + z*xn。male是一个优化变量，男性的生还机率下载2.75个对数机率，而年龄的增大则下降0.037个对数机率。
空偏差和残差的不同展示了我们的模型是空模型（只有截距）。这个沟阅读，效果越好。分析这个图表，我们可以看到每增加一个变量，同时也会降低其中的偏差。再一次，添加Pclass、Sex和Age能显著的降低残差。其它变量对于模型的提高没什么用，尽管SibSp的p值很低。一个p值较大的值预示着一个没有变量的模型多少解释了模型的变化。最终，你想要看到的就是偏差的降低和AIC。
评估模型的预测能力在上述的步骤中，我们简单的评估一下模型的拟合效果。现在，我们看一下使用心得数据集，它的预测结果y是什么样的。设定参数type=’response’，R可以输出形如P(Y=1|X）的概率。我们的预测边界就是0.5。如果P(Y=1|X)>0.5，y=1或y=0。记住，其它的决策边界可能是更好的选择。
精度为0.84，说明这个模型拟合效果不错。然而，你要记住，结果多少都依赖于手动改变数据集的数据。因此，如果你想要得到更精确的精度，你最好执行一些交叉检验，例如k次交叉检验。
下面是ROC图： |
|
|
