如何在 r 中将 predict() 与逻辑回归模型结合使用

一旦我们在 R 中拟合了逻辑回归模型，我们就可以使用Predict()函数来预测模型以前从未见过的新观察值的响应值。

该函数使用以下语法：

预测（对象，新数据，类型=“响应”）

金子：

• object：逻辑回归模型的名称
• newdata：用于预测的新数据框的名称
• type：要进行的预测类型

下面的例子展示了如何在实际中使用这个功能。

示例：在 R 中将 Predict() 与逻辑回归模型结合使用

对于此示例，我们将使用名为mtcars的内置 R 数据集：

 #view first six rows of mtcars dataset
head(mtcars)

                   mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
Valiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1

我们将拟合以下逻辑回归模型，其中使用变量disp和hp来预测响应变量am （汽车的变速箱类型：0 = 自动，1 = 手动）：

 #fit logistic regression model
model <- glm(am ~ disp + hp, data=mtcars, family=binomial)

#view model summary
summary(model)

Call:
glm(formula = am ~ disp + hp, family = binomial, data = mtcars)

Deviance Residuals: 
    Min 1Q Median 3Q Max  
-1.9665 -0.3090 -0.0017 0.3934 1.3682  

Coefficients:
            Estimate Std. Error z value Pr(>|z|)  
(Intercept) 1.40342 1.36757 1.026 0.3048  
available -0.09518 0.04800 -1.983 0.0474 *
hp 0.12170 0.06777 1.796 0.0725 .
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 43,230 on 31 degrees of freedom
Residual deviance: 16,713 on 29 degrees of freedom
AIC: 22,713

Number of Fisher Scoring iterations: 8

然后，我们可以创建一个新的数据框，其中包含模型以前从未见过的八辆汽车的信息，并使用Predict()函数来预测新车将具有自动变速箱 (am=0) 或手动变速箱 (am=0) 的概率（上午=1）：

 #define new data frame
newdata = data. frame (disp=c(200, 180, 160, 140, 120, 120, 100, 160),
                     hp=c(100, 90, 108, 90, 80, 90, 80, 90),
                     am=c(0, 0, 0, 1, 0, 1, 1, 1))

#view data frame
newdata

#use model to predict value of am for all new cars
newdata$am_prob <- predict(model, newdata, type=" response ")

#view updated data frame
newdata

  disp hp am am_prob
1 200 100 0 0.004225640
2 180 90 0 0.008361069
3 160 108 0 0.335916069
4 140 90 1 0.275162866
5 120 80 0 0.429961894
6 120 90 1 0.718090728
7 100 80 1 0.835013994
8 160 90 1 0.053546152

以下是如何解释结果：

• 汽车 1 配备手动变速箱的概率为0.004 。
• 汽车 2 配备手动变速箱的概率为0.008 。
• 汽车 3 配备手动变速箱的概率为0.336 。

等等。

我们还可以使用table()函数创建一个混淆矩阵，显示实际的 am 值与模型预测的值：

 #create vector that contains 0 or 1 depending on predicted value of am
am_pred = rep(0, dim(newdata)[1])
am_pred[newdata$am_prob > .5] = 1

#create confusion matrix
table(am_pred, newdata$am)

am_pred 0 1
      0 4 2
      1 0 2

最后，我们可以使用Mean()函数来计算新数据库中模型正确预测am值的观测值的百分比：

 #calculate percentage of observations the model correctly predicted response value for
mean(am_pred == newdata$am)

[1] 0.75

我们可以看到该模型正确预测了新数据库中75%的汽车的am值。

其他资源

以下教程解释了如何在 R 中执行其他常见任务：

如何在 R 中执行简单线性回归
如何在 R 中执行多元线性回归
如何在 R 中执行多项式回归
如何在 R 中创建预测区间