Questions tagged «logistic»

我想要执行与逻辑回归相同任务的许多算法。也就是说，可以使用一些解释变量（X）预测二进制响应（Y）的算法/模型。 如果为算法命名后，如果您还演示如何在R中实现它，我将非常高兴。这是一个可以用其他模型更新的代码： set.seed(55) n <- 100 x <- c(rnorm(n), 1+rnorm(n)) y <- c(rep(0,n), rep(1,n)) r <- glm(y~x, family=binomial) plot(y~x) abline(lm(y~x), col='red', lty=2) xx <- seq(min(x), max(x), length=100) yy <- predict(r, data.frame(x=xx), type='response') lines(xx, yy, col='blue', lwd=5, lty=2) title(main='Logistic regression with the "glm" function')

55 r  regression  logistic  classification  predictive-models 

我有SPSS逻辑回归模型的输出。输出报告模型拟合的两个度量，Cox & Snell和Nagelkerke。 因此，根据经验，您会在模型适合时报告哪些R2R²R^²度量？ 或者，期刊中通常会报告哪些适合指数？ 一些背景：回归试图从一些环境变量（例如，陡度，植被覆盖等）中预测鸟类的存在与否。不幸的是，这只鸟很少出现（35次击中468次未中），因此回归表现很差。Cox＆Snell是.09，Nagelkerke是.23。 主题是环境科学或生态学。

55 logistic  goodness-of-fit  r-squared 

假设我有一个类的对象glm（对应于逻辑回归模型），并且我想将predict.glm使用参数提供的预测概率type="response"转换为二进制响应，即或。在R中最快，最规范的方法是什么？Y=1Y=1Y=1Y=0Y=0Y=0 再次，虽然我知道了predict.glm，但我不知道截止值确切 -我想这是我这里的主要绊脚石。P(Yi=1|X^i)P(Yi=1|X^i)P(Y_i=1|\hat X_{i})

50 r  generalized-linear-model  logistic 

由于我们正在使用逻辑函数将输入的线性组合转换为非线性输出，因此如何将逻辑回归视为线性分类器？ 线性回归就像没有隐藏层的神经网络一样，那么为什么神经网络被认为是非线性分类器而逻辑回归是线性的呢？

49 logistic  classification  neural-networks 

我在R中拟合一个二项式族glm，并且我有一个完整的解释变量组合，所以我需要找到最好的（R平方作为度量是可以的）。缺少编写脚本以遍历解释变量的随机不同组合然后记录执行效果最好的脚本的过程，我真的不知道该怎么办。leaps程序包突飞猛进的功能似乎并没有进行逻辑回归。 任何帮助或建议，将不胜感激。

47 r  logistic 

克里斯托弗·曼宁（Christopher Manning）关于R中逻辑回归的文章显示，R中的逻辑回归如下： ced.logr <- glm(ced.del ~ cat + follows + factor(class), family=binomial) 一些输出： > summary(ced.logr) Call: glm(formula = ced.del ~ cat + follows + factor(class), family = binomial("logit")) Deviance Residuals: Min 1Q Median 3Q Max -3.24384 -1.34325 0.04954 1.01488 6.40094 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -1.31827 0.12221 …

46 r  logistic  log-likelihood 

我知道我对逻辑回归的理解中缺少一些东西，非常感谢您的帮助。 据我所知，逻辑回归假设给定输入的结果为“ 1”的概率是通过逆逻辑函数传递的输入的线性组合。以下R代码对此进行了举例说明： #create data: x1 = rnorm(1000) # some continuous variables x2 = rnorm(1000) z = 1 + 2*x1 + 3*x2 # linear combination with a bias pr = 1/(1+exp(-z)) # pass through an inv-logit function y = pr > 0.5 # take as '1' if probability > 0.5 …

45 r  regression  logistic  generalized-linear-model  simulation 

我有一个64个字符的SHA256哈希。 我希望训练一个模型，该模型可以预测用于生成哈希的纯文本是否以1开头。 不管这是“可能的”，哪种算法是最佳方法？ 我最初的想法： 生成以1开头的大量散列样本和不以1开头的大量散列样本 将哈希的64个字符中的每个字符设置为某种无监督逻辑回归模型的参数。 通过告诉模型正确/错误的时间来训练模型。 希望能够创建一个模型，该模型能够以足够高的精度（以及适当的kappa值）预测明文是否以1开头。

43 machine-learning  logistic 

使用诸如Ridge，Lasso，ElasticNet之类的方法进行正则化对于线性回归非常普遍。我想了解以下内容：这些方法是否适用于逻辑回归？如果是这样，则将它们用于逻辑回归的方式是否存在任何差异？如果这些方法不适用，如何对逻辑回归进行正则化？

42 regression  logistic  regularization 

简要总结 为什么在具有二元结果的队列研究中使用逻辑回归（具有比值比），而不是与泊松回归（具有相对风险）相比，更普遍？ 背景 根据我的经验，本科生和研究生的统计和流行病学课程通常会讲逻辑回归应用于对具有二元结果的数据进行建模，风险估计值以比值比报告。 但是，泊松回归（以及相关的：拟泊松，负二项式等）也可以用于对具有二元结果的数据进行建模，并通过适当的方法（例如鲁棒的三明治方差估计器）提供有效的风险估计和置信度。例如， Greenland S.，基于模型的相对风险和其他流行病学方法在共同结局研究和病例对照研究中的估计，Am J Epidemiol。2004年8月15日； 160（4）：301-5。 Zou G.，使用二进制数据进行前瞻性研究的改进的Poisson回归方法，《美国流行病学杂志》。2004 Apr 1; 159（7）：702-6。 Zou GY和Donner A.，将修正的Poisson回归模型扩展到具有相关二元数据的前瞻性研究，Stat Methods Med Res。2011年11月8日。 通过泊松回归，可以报告相对风险，其中一些人认为相对风险比与比值比更容易解释，尤其是对于频繁的结局，尤其是对于没有统计学背景的个人而言。请参见张J.和于克芬，相对风险是多少？一种校正常见结局队列研究中的优势比的方法，JAMA。1998年11月18日； 280（19）：1690-1。 通过阅读医学文献，在具有二元结果的队列研究中，似乎似乎更普遍的是通过逻辑回归报告比值比，而不是通过泊松回归报告相对风险。 问题 对于具有二元结果的队列研究： 是否有充分的理由报告逻辑回归的优势比，而不是泊松回归的相对风险？ 如果不是，医学文献中具有相对风险的Poisson回归频率不高是否可以归因于科学家，临床医生，统计学家和流行病学家在方法论理论与实践之间的滞后？ 中间统计学和流行病学课程是否应包括更多关于二元结果的泊松回归的讨论？ 我是否应该鼓励学生和同事在适当的时候考虑使用泊松回归而不是逻辑回归？

42 logistic  poisson-distribution  epidemiology  odds-ratio  relative-risk 

我目前正在阅读一篇有关2000年和2004年大选的投票地点和投票偏好的论文。其中有一个显示逻辑回归系数的图表。从几年前的课程和一点阅读开始我了解逻辑回归是描述多个自变量与二进制响应变量之间关系的一种方式。鉴于下表，我感到困惑的是，因为南方的对数回归系数为.903，这是否意味着90.3％的南方人投票支持共和党？由于度量的后勤性质，这种直接相关不存在。取而代之的是，我假设您只能说，以.903表示的南方对共和党的投票比对山地/平原的投票多，而回归值为.506。考虑到后者的情况，在这种逻辑回归系数的情况下，我怎么知道什么是重要的，什么不是，以及是否可以推断出一定比例的共和党选票。 附带说明，如果有任何不正确的陈述，请编辑我的帖子

42 regression  logistic  interpretation 

转换变量时，是否必须使用所有相同的转换？例如，是否可以选择不同的转换变量，例如： 令为年龄，就业时间，居住时间和收入。x1,x2,x3x1,x2,x3x_1,x_2,x_3 Y = B1*sqrt(x1) + B2*-1/(x2) + B3*log(x3) 或者，您是否必须与转换保持一致并使用所有相同的转换？如： Y = B1*log(x1) + B2*log(x2) + B3*log(x3) 我的理解是，转型的目标是解决正常性问题。查看每个变量的直方图，我们可以看到它们呈现出非常不同的分布，这使我相信所需的转换在每个变量的基础上是不同的。 ## R Code df <- read.spss(file="http://www.bertelsen.ca/R/logistic-regression.sav", use.value.labels=T, to.data.frame=T) hist(df[1:7]) log(xn+1)log⁡(xn+1)\log(x_n + 1)xnxnx_n000000 ## R Code plot(df[1:7])

41 r  regression  logistic  data-transformation 

我正在考虑建立一个预测比率的模型，其中和且。因此，该比率将在和之间。一个≤ b 一> 0 b > 0 0 1a/ba/ba/ba≤ba≤ba \le ba>0a>0a > 0b>0b>0b > 0000111 我可以使用线性回归，尽管它自然不限于0.1。我没有理由相信这种关系是线性的，但是无论如何，它当然经常被用作简单的第一个模型。 我可以使用逻辑回归，尽管通常将其用于预测两态结果的概率，而不是从0.1.1范围内预测连续值。 一无所知，您将使用线性回归，逻辑回归还是隐藏选项c？

41 regression  logistic  generalized-linear-model  beta-distribution  beta-regression 

为什么事实上的标准S形函数在（非深度）神经网络和逻辑回归中如此流行？1个1 + e− x1个1个+Ë-X\frac{1}{1+e^{-x}} 我们为什么不使用许多其他可导函数，它们的计算时间更快或更慢的衰减（因此消失的梯度发生得更少）。维基百科上关于Sigmoid函数的例子很少。是我最喜欢的具有缓慢衰减和快速计算的功能。X1 + | x |X1个+|X|\frac{x}{1+|x|} 编辑 这个问题与具有优点/缺点的神经网络中激活函数的综合列表不同，因为我只对“为什么”感兴趣，而对乙状结肠不感兴趣。

40 logistic  neural-networks  least-squares 

我正尝试在中进行逻辑回归分析R。我已经使用STATA参加了涵盖此材料的课程。我发现很难复制中的功能R。这个地区成熟吗？似乎几乎没有可用的文档或指南。生产比值比输出似乎需要安装epicalc和/或epitools和/或其他工具，我无法上班，都已过时或缺少文档。我曾经glm做过逻辑回归。欢迎大家提出意见。 我最好把这个问题变成一个真实的问题。如何进行逻辑回归并产生比值比R？ 这是我为单变量分析所做的工作： x = glm(Outcome ~ Age, family=binomial(link="logit")) 对于多变量： y = glm(Outcome ~ Age + B + C, family=binomial(link="logit")) 然后，我已经看了x，y，summary(x)和summary(y)。 是x$coefficients任何价值？

40 r  logistic  odds-ratio