Questions tagged «logistic»

通常指利用逻辑函数的统计程序，最常见的是各种形式的逻辑回归

4
二项式数据的方差分析
我正在分析实验数据集。数据由治疗类型和二项式结果的配对向量组成： Treatment Outcome A 1 B 0 C 0 D 1 A 0 ... 在结果列中，1表示成功，0表示失败。我想弄清楚治疗方法是否会显着改变结果。有4种不同的处理方式，每个实验重复多次（每种处理方式2000次）。 我的问题是，我可以使用ANOVA分析二进制结果吗？还是应该使用卡方检验来检查二项式数据？似乎卡方假设比例将被平均分配，事实并非如此。另一个想法是使用每种治疗成功与失败的比例来汇总数据，然后使用比例检验。 我很想听到您对这些二项式成功/失败实验有意义的测试建议。
2
逻辑回归：Scikit学习与统计模型
我试图理解为什么这两个库的逻辑回归的输出会给出不同的结果。 我使用从加州大学洛杉矶分校idre数据集教程，预测admit基础上gre，gpa和rank。rank被视为分类变量，因此先将其rank_1删除后转换为虚拟变量。还添加了一个拦截列。 df = pd.read_csv("https://stats.idre.ucla.edu/stat/data/binary.csv") y, X = dmatrices('admit ~ gre + gpa + C(rank)', df, return_type = 'dataframe') X.head() > Intercept C(rank)[T.2] C(rank)[T.3] C(rank)[T.4] gre gpa 0 1 0 1 0 380 3.61 1 1 0 1 0 660 3.67 2 1 0 0 0 800 4.00 3 1 …
2
逻辑回归何时以封闭形式解决？
以X ∈ { 0 ，1 } dx∈{0,1}dx \in \{0,1\}^d和ÿ ∈ { 0 ，1 }y∈{0,1}y \in \{0,1\}，并假设我们使用logistic回归预测给出y x的任务模型。Logistic回归系数何时可以用封闭形式书写？ 一个例子是当我们使用饱和模型时。 也就是说，定义P （y | x ）∝ exp （∑ i w i f i（x i））P(y|x)∝exp(∑iwifi(xi))P(y|x) \propto \exp(\sum_i w_i f_i(x_i))，其中iii在{ x 1，… ，x d }的幂集中索引集{x1,…,xd}\{x_1,\ldots,x_d\}，并且f ifif_i返回1如果第iii个集合中的所有变量均为1，否则为0。然后，您可以将此逻辑回归模型中的每个w i表示wiw_i为数据统计量的有理函数的对数。 当存在封闭形式时，还有其他有趣的例子吗？
4
哪个损失函数对逻辑回归是正确的？
我读到了两个用于逻辑回归的损失函数版本，其中哪个是正确的，为什么？ 来自机器学习的 Zhou ZH（中文），其中：β=(w,b) and βTx=wTx+bβ=(w,b) and βTx=wTx+b\beta = (w, b)\text{ and }\beta^Tx=w^Tx +b l(β)=∑i=1m(−yiβTxi+ln(1+eβTxi))(1)(1)l(β)=∑i=1m(−yiβTxi+ln⁡(1+eβTxi))l(\beta) = \sum\limits_{i=1}^{m}\Big(-y_i\beta^Tx_i+\ln(1+e^{\beta^Tx_i})\Big) \tag 1 从我的大学课程中，：zi=yif(xi)=yi(wTxi+b)zi=yif(xi)=yi(wTxi+b)z_i = y_if(x_i)=y_i(w^Tx_i + b) L(zi)=log(1+e−zi)(2)(2)L(zi)=log⁡(1+e−zi)L(z_i)=\log(1+e^{-z_i}) \tag 2 我知道第一个是所有样本的累加，第二个是单个样本的累加，但是我对两个损失函数形式的差异感到更加好奇。不知何故，我觉得它们是等效的。
6
Logistic回归和感知器之间有什么区别？
我经历安德鲁Ng的讲课笔记机器学习。 这些注释向我们介绍了逻辑回归，然后介绍了感知器。注释在描述Perceptron时说，我们只是更改了用于逻辑回归的阈值函数的定义。之后，我们可以使用Perceptron模型进行分类。 所以我的问题是-如果需要指定此参数，并且我们将Perceptron视为一种分类技术，那么逻辑回归到底是什么？是仅用于获取数据点属于其中一个类别的概率吗？
1
如何通过逻辑回归计算拟合值的标准误差？
当您从逻辑回归模型预测拟合值时，如何计算标准误差？我的意思是拟合值，而不是系数（涉及Fishers信息矩阵）。 我只发现了如何获得与数字R（例如，这里的R-帮助，或在这里对堆栈溢出），但我找不到公式。 pred <- predict(y.glm, newdata= something, se.fit=TRUE) 如果您可以提供在线资源（最好是在大学网站上），那就太好了。
3
对于模型拟合，实际测量的AIC和c统计量（AUC）有什么区别？
赤池信息准则（AIC）和c统计量（ROC曲线下的面积）是用于逻辑回归的模型拟合的两种度量。当两种方法的结果不一致时，我很难解释发生了什么。我猜他们正在衡量模型拟合的不同方面，但是这些具体方面是什么？ 我有3个逻辑回归模型。模型M0具有一些标准协变量。M1型将X1加到M0上；模型M2将X2添加到M0（因此M1和M2不嵌套）。 从M0到M1和M2的AIC差异约为15，这表明X1和X2均可提高模型拟合度，且幅度大致相同。 c统计量为：M0，0.70；M1，0.73；M2 0.72。从M0到M1的c统计量差异很大（DeLong等人，1988年的方法），但是从M0到M2的差异并不显着，表明X1改善了模型拟合，但X2没有。 X1不是常规收集的。X2应该定期收集，但在大约40％的情况下会丢失。我们要决定是开始收集X1，还是改善X2的收集，还是删除两个变量。 根据AIC，我们得出结论，变量对模型进行了类似的改进。与开始收集一个全新的变量（X1）相比，改进X2的收集可能更容易，因此我们将致力于改进X2的收集。但是从c统计量来看，X1改进了模型，而X2却没有改进，因此我们应该忘记X2并开始收集X1。 由于我们的建议取决于我们关注的统计数据，因此我们需要清楚地了解它们所测量的差异。 任何意见欢迎。
29 logistic  roc  aic  auc 
3
逻辑回归中简单预测对优势比的解释
我对使用逻辑回归有些陌生，并且对以下值的解释之间的差异有些困惑，我认为这是相同的： 指数贝塔值 使用beta值预测结果的可能性。 这是我使用的模型的简化版本，营养不足和保险都是二进制的，财富是连续的： Under.Nutrition ~ insurance + wealth 我的（实际）模型返回的保险指数值为0.8，我将其解释为： “被保险人营养不足的概率是未保险人营养不足的概率的0.8倍。” 但是，当我通过将0和1的值分别输入保险变量和财富平均值来计算个人的概率差异时，营养不足的差异仅为0.04。计算公式如下： Probability Undernourished = exp(β0 + β1*Insurance + β2*Wealth) / (1+exp(β0 + β1*Insurance + β2*wealth)) 如果有人可以解释为什么这些值不同，以及什么是更好的解释（尤其是第二个值），我将不胜感激。 进一步的澄清编辑 据我了解，未投保的人（其中B1对应于保险）营养不足的可能性为： Prob(Unins) = exp(β0 + β1*0 + β2*Wealth) / (1+exp(β0 + β1*0+ β2*wealth)) 虽然被保险人营养不足的可能性是： Prob(Ins)= exp(β0 + β1*1 + β2*Wealth) / (1+exp(β0 …
4
麦克法登的伪R2解释
我有一个二进制逻辑回归模型，其麦克法登（McFadden）的伪R平方为0.192，有一个称为支付的因变量（1 =付款，0 =不付款）。这个伪R平方的解释是什么？ 它是嵌套模型的相对比较（例如，一个6变量模型的McFadden伪R平方为0.192，而一个5变量模型（从上述6变量模型中删除一个变量后），该5变量模型具有伪R -平方为0.131。我们是否要在模型中保留第6个变量？）还是它是绝对数量（例如，给定模型的McFadden伪R平方为0.192，比任何现有的模型都具有McFadden伪模型更好） R平方为0.180（甚至对于非嵌套模型也是如此）？这些只是查看McFadden的伪R平方的可能方法；但是，我认为这两种观点相距遥远，因此我在这里提出此问题的原因。 我已经对该主题进行了大量研究，但仍无法找到我想要的答案，因为它能够解释McFadden的0.192伪R平方。任何见解和/或参考将不胜感激！在回答这个问题之前，我知道这不是描述逻辑回归模型的最佳方法，但是无论如何，我都希望对这一统计信息有更深入的了解！
1
自由度可以是非整数吗？
当我使用GAM时，它给了我剩余的DF为（代码的最后一行）。这意味着什么？超越GAM示例，通常，自由度可以是非整数吗？26.626.626.6 > library(gam) > summary(gam(mpg~lo(wt),data=mtcars)) Call: gam(formula = mpg ~ lo(wt), data = mtcars) Deviance Residuals: Min 1Q Median 3Q Max -4.1470 -1.6217 -0.8971 1.2445 6.0516 (Dispersion Parameter for gaussian family taken to be 6.6717) Null Deviance: 1126.047 on 31 degrees of freedom Residual Deviance: 177.4662 on 26.6 degrees of …
27 r  degrees-of-freedom  gam  machine-learning  pca  lasso  probability  self-study  bootstrap  expected-value  regression  machine-learning  linear-model  probability  simulation  random-generation  machine-learning  distributions  svm  libsvm  classification  pca  multivariate-analysis  feature-selection  archaeology  r  regression  dataset  simulation  r  regression  time-series  forecasting  predictive-models  r  mean  sem  lavaan  machine-learning  regularization  regression  conv-neural-network  convolution  classification  deep-learning  conv-neural-network  regression  categorical-data  econometrics  r  confirmatory-factor  scale-invariance  self-study  unbiased-estimator  mse  regression  residuals  sampling  random-variable  sample  probability  random-variable  convergence  r  survival  weibull  references  autocorrelation  hypothesis-testing  distributions  correlation  regression  statistical-significance  regression-coefficients  univariate  categorical-data  chi-squared  regression  machine-learning  multiple-regression  categorical-data  linear-model  pca  factor-analysis  factor-rotation  classification  scikit-learn  logistic  p-value  regression  panel-data  multilevel-analysis  variance  bootstrap  bias  probability  r  distributions  interquartile  time-series  hypothesis-testing  normal-distribution  normality-assumption  kurtosis  arima  panel-data  stata  clustered-standard-errors  machine-learning  optimization  lasso  multivariate-analysis  ancova  machine-learning  cross-validation 
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.