<\/p>\n
Eine Fehlermeldung, die in R auftreten kann, ist:<\/span><\/p>\n Diese Fehlermeldung tritt auf, wenn Sie ein Modell mit der glm()-<\/strong> Funktion in R anpassen und zwei oder mehr Ihrer Pr\u00e4diktorvariablen eine exakte lineare Beziehung zueinander haben \u2013 bekannt als perfekte Multikollinearit\u00e4t<\/a> .<\/span><\/p>\n Um diesen Fehler zu beheben, k\u00f6nnen Sie die Funktion cor()<\/strong> verwenden, um Variablen in Ihrem Datensatz zu identifizieren, die eine perfekte Korrelation zueinander aufweisen, und einfach eine dieser Variablen aus dem Regressionsmodell entfernen.<\/span><\/span><\/p>\n In diesem Tutorial wird erkl\u00e4rt, wie man mit dieser Fehlermeldung in der Praxis umgeht.<\/span><\/p>\n Angenommen, wir passen ein logistisches Regressionsmodell<\/a> an den folgenden Datenrahmen in R an:<\/span><\/p>\n Beachten Sie, dass wir unmittelbar vor der Koeffizientenausgabe die Meldung erhalten:<\/span><\/p>\n Dies weist darauf hin, dass zwei oder mehr Pr\u00e4diktorvariablen im Modell eine perfekte lineare Beziehung aufweisen und daher nicht alle Regressionskoeffizienten im Modell gesch\u00e4tzt werden k\u00f6nnen.<\/span><\/p>\n Beachten Sie beispielsweise, dass f\u00fcr die Pr\u00e4diktorvariable x 2<\/sub><\/strong> keine Koeffizientensch\u00e4tzungen vorgenommen werden k\u00f6nnen.<\/span><\/p>\n Um herauszufinden, welche Pr\u00e4diktorvariablen diesen Fehler verursachen, k\u00f6nnen wir mit der Funktion cor()<\/strong> eine Korrelationsmatrix<\/a> erstellen und untersuchen, welche Variablen untereinander eine Korrelation von genau 1<\/strong> haben:<\/span><\/p>\n Aus der Korrelationsmatrix k\u00f6nnen wir erkennen, dass die Variablen x 1<\/sub><\/strong> und x 2<\/sub><\/strong> perfekt korreliert sind.<\/span><\/p>\n Um diesen Fehler zu beheben, k\u00f6nnen wir einfach eine dieser beiden Variablen aus dem Modell entfernen, da sie im Regressionsmodell tats\u00e4chlich keine eindeutigen oder unabh\u00e4ngigen Informationen liefern.<\/span><\/p>\n Angenommen, wir entfernen x 2<\/sub><\/strong> und passen das folgende logistische Regressionsmodell an:<\/span><\/p>\n Beachten Sie, dass wir dieses Mal keine Fehlermeldung \u201eUndefiniert aufgrund von Singularit\u00e4ten\u201c erhalten.<\/span><\/p>\n Hinweis<\/strong> : Es spielt keine Rolle, ob wir x 1<\/sub> oder x 2<\/sub> entfernen. Das endg\u00fcltige Modell enth\u00e4lt die gleiche Koeffizientensch\u00e4tzung f\u00fcr die Variable, die Sie beibehalten m\u00f6chten, und die allgemeine Anpassungsg\u00fcte des Modells wird gleich sein.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie mit anderen Fehlern in R umgegangen wird:<\/span><\/p>\n So beheben Sie in R: Ung\u00fcltige Vorlagenformel in ExtractVars Eine Fehlermeldung, die in R auftreten kann, ist: Coefficients: (1 not defined because of singularities) Diese Fehlermeldung tritt auf, wenn Sie ein Modell mit der glm()- Funktion in R anpassen und zwei oder mehr Ihrer Pr\u00e4diktorvariablen eine exakte lineare Beziehung zueinander haben \u2013 bekannt als perfekte Multikollinearit\u00e4t . Um diesen Fehler zu beheben, k\u00f6nnen Sie […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Coefficients: (1 not defined because of singularities) \n<\/strong><\/pre>\n
So reproduzieren Sie den Fehler<\/strong><\/h3>\n
#define data\n<\/span>df <- data. frame<\/span> (y = c(0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1),\n x1 = c(3, 3, 4, 4, 3, 2, 5, 8, 9, 9, 9, 8, 9, 9, 9),\n x2 = c(6, 6, 8, 8, 6, 4, 10, 16, 18, 18, 18, 16, 18, 18, 18),\n x3 = c(4, 7, 7, 3, 8, 9, 9, 8, 7, 8, 9, 4, 9, 10, 13))\n\n#fit logistic regression model\n<\/span>model <- glm(y~x1+x2+x3, data=df, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = y ~ x1 + x2 + x3, family = binomial, data = df)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.372e-05 -2.110e-08 2.110e-08 2.110e-08 1.575e-05 \n\nCoefficients: (1 not defined because of singularities)\n Estimate Std. Error z value Pr(>|z|)\n(Intercept) -75.496 176487.031 0.000 1\nx1 14.546 24314.459 0.001 1\nx2 NA NA NA NA\nx3 -2.258 20119.863 0.000 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 2.0728e+01 on 14 degrees of freedom\nResidual deviance: 5.1523e-10 on 12 degrees of freedom\nAIC: 6\n\nNumber of Fisher Scoring iterations: 24\n<\/strong><\/span><\/pre>\n Coefficients: (1 not defined because of singularities)\n<\/strong><\/span><\/pre>\n So gehen Sie mit dem Fehler um<\/strong><\/span><\/h3>\n
#create correlation matrix<\/span>\ncor(df)\n\n y x1 x2 x3\ny 1.0000000 0.9675325 0.9675325 0.3610320\nx1 0.9675325 1.0000000 1.0000000 0.3872889\nx2 0.9675325 1.0000000 1.0000000 0.3872889\nx3 0.3610320 0.3872889 0.3872889 1.0000000\n<\/strong><\/span><\/pre>\n #fit logistic regression model\n<\/span>model <- glm(y~x1+x3, data=df, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = y ~ x1 + x3, family = binomial, data = df)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.372e-05 -2.110e-08 2.110e-08 2.110e-08 1.575e-05 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|)\n(Intercept) -75.496 176487.031 0.000 1\nx1 14.546 24314.459 0.001 1\nx3 -2.258 20119.863 0.000 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 2.0728e+01 on 14 degrees of freedom\nResidual deviance: 5.1523e-10 on 12 degrees of freedom\nAIC: 6\n\nNumber of Fisher Scoring iterations: 24<\/strong><\/span><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So beheben Sie das Problem in R: Das Argument ist weder numerisch noch logisch: Geben Sie na zur\u00fcck<\/a>
So beheben Sie Folgendes: randomForest.default(m, y, \u2026): Na\/NaN\/Inf im Aufruf einer Fremdfunktion<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"