Logistic回归预测的输出

我使用以下代码创建了Logistic回归：

full.model.f = lm(Ft_45 ~ ., LOG_D)
base.model.f = lm(Ft_45 ~ IP_util_E2pl_m02_flg)
step(base.model.f, scope=list(upper=full.model.f, lower=~1),
     direction="forward", trace=FALSE)

然后，我使用输出来创建最终模型：

final.model.f = lm(Ft_45 ~ IP_util_E2pl_m02_flg + IP_util_E2_m02_flg + 
                           AE_NumVisit1_flg + OP_NumVisit1_m01_flg + IP_TotLoS_m02 + 
                           Ft1_45 + IP_util_E1_m05_flg + IP_TotPrNonElecLoS_m02 + 
                           IP_util_E2pl_m03_flg + LTC_coding + OP_NumVisit0105_m03_flg +
                           OP_NumVisit11pl_m03_flg + AE_ArrAmb_m02_flg)

然后，我使用了预测函数预测了不同数据集的结果：

log.pred.f.v <- predict(final.model.f, newdata=LOG_V)

我已经能够使用建立令人满意的ROC曲线并创建表格来建立敏感性和特异性，这给了我期望的响应。

但是，我想做的是为每行数据确定Ft_45为1的概率。如果查看log.pred.fv的输出，例如：

1 -0.171739593    
2 -0.049905948    
3 0.141146419    
4 0.11615669    
5 0.07342591    
6 0.093054334    
7 0.957164383    
8 0.098415639    
.
.
.
104 0.196368229    
105 1.045208447    
106 1.05499112

由于我对自己的工作只有一个初步的了解，因此我努力理解如何解释负值和高于1的值，因为我希望概率在0到1之间。

所以我的问题是我只是错过了一个需要转换输出或完全出错的步骤。预先感谢您提供的任何帮助。

首先，看起来您建立了规则的线性回归模型，而不是逻辑回归模型。要建立一个逻辑回归模型，您需要使用glm()与 family="binomial" 不lm()。

$x_1, x_2$$x_3$$y$

logit <- glm(y~x1+x2+x3,family="binomial")

$\beta_0, \beta_1, \beta_2$$\beta_3$

如果这样做predict(logit)，R将计算并返回b0 + b1*x1 + b2*x2 + b3*x3。

$y = log(\frac{p}{1-p}) = \beta_0 + \beta_1x_1 + \beta_2x_2 + \beta_3x_3$

$p$

在R中，您可以执行以下操作：

pred <- predict(logit,newdata=data) #gives you b0 + b1x1 + b2x2 + b3x3
probs <- exp(pred)/(1+exp(pred)) #gives you probability that y=1 for each observation

查看的文档predict.glm，似乎就像在predictcall中使用额外的参数一样容易：

 type = "response"

请参阅文档：

键入 -预测的类型必需的。默认值是线性预测变量的标度。替代的“响应”取决于响应变量的规模。因此，对于默认的二项式模型，默认预测为对数奇数（对数标度上的概率），并且类型=“响应”给出了预测的概率。“项”选项返回一个矩阵，该矩阵给出线性预测变量上模型公式中每个项的拟合值。此参数的值可以缩写