<\/p>\n
Eine h\u00e4ufige Warnung, die Ihnen in R begegnen kann, ist:<\/span><\/p>\n Diese Warnung tritt h\u00e4ufig auf, wenn Sie versuchen, ein logistisches Regressionsmodell in R anzupassen und eine perfekte Trennung<\/strong> sehen, d. h. eine Pr\u00e4diktorvariable ist in der Lage, die Antwortvariable perfekt in 0 und in 1 zu trennen.<\/span><\/p>\n Das folgende Beispiel zeigt, wie mit dieser Warnung in der Praxis umgegangen wird.<\/span><\/p>\n Angenommen, wir versuchen, das folgende logistische Regressionsmodell in R anzupassen:<\/span><\/p>\n Beachten Sie, dass wir die Warnmeldung \u201e glm.fit: algorithm did not converge\u201c<\/strong> erhalten.<\/span><\/p>\n Wir erhalten diese Nachricht, weil die Pr\u00e4diktorvariable x in der Lage ist, die Antwortvariable y perfekt in 0 und 1 zu trennen.<\/span><\/p>\n Beachten Sie, dass f\u00fcr jeden x-Wert kleiner als 1 y gleich 0 ist. Und f\u00fcr jeden x-Wert gleich oder gr\u00f6\u00dfer als 1 ist y gleich 1.<\/span><\/p>\n Der folgende Code zeigt ein Szenario, in dem die Pr\u00e4diktorvariable die Antwortvariable nicht perfekt in Nullen und Einsen trennen kann:<\/span><\/p>\n Wir erhalten keine Warnmeldungen, da die Pr\u00e4diktorvariable die Antwortvariable nicht perfekt in 0 und 1 trennen kann.<\/span><\/p>\n Wenn wir auf ein perfektes Trennungsszenario sto\u00dfen, gibt es zwei M\u00f6glichkeiten, damit umzugehen:<\/span><\/p>\n Methode 1: Bestrafte Regression verwenden.<\/strong><\/span><\/p>\n Eine M\u00f6glichkeit besteht darin, eine Form der bestraften logistischen Regression wie die lasso-logistische Regression oder die Regularisierung des elastischen Netzes zu verwenden.<\/span><\/p>\n Optionen zur Implementierung der bestraften logistischen Regression in R finden Sie im glmnet-<\/a> Paket.<\/span><\/p>\n Methode 2: Verwenden Sie die Pr\u00e4diktorvariable, um die Antwortvariable perfekt vorherzusagen.<\/strong><\/span><\/p>\n Wenn Sie vermuten, dass diese perfekte Trennung in der Grundgesamtheit vorhanden sein k\u00f6nnte, k\u00f6nnen Sie einfach diese Pr\u00e4diktorvariable verwenden, um den Wert der Antwortvariablen perfekt vorherzusagen.<\/span><\/p>\n Im obigen Szenario haben wir beispielsweise gesehen, dass die Antwortvariable y<\/strong> immer gleich 0 war, wenn die Pr\u00e4diktorvariable x<\/strong> kleiner als 1 war.<\/span><\/p>\n Wenn wir vermuten, dass diese Beziehung in der Gesamtpopulation gilt, k\u00f6nnen wir immer vorhersagen, dass der Wert von 0<\/strong> 0 sein wird, wenn x<\/strong> kleiner als 1 ist, und m\u00fcssen uns keine Gedanken \u00fcber die Anpassung eines bestraften logistischen Regressionsmodells machen.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zur Verwendung der glm()<\/strong> -Funktion in R:<\/span><\/p>\n Der Unterschied zwischen glm und lm in R<\/a> Eine h\u00e4ufige Warnung, die Ihnen in R begegnen kann, ist: glm.fit: algorithm did not converge Diese Warnung tritt h\u00e4ufig auf, wenn Sie versuchen, ein logistisches Regressionsmodell in R anzupassen und eine perfekte Trennung sehen, d. h. eine Pr\u00e4diktorvariable ist in der Lage, die Antwortvariable perfekt in 0 und in 1 zu trennen. Das folgende Beispiel […]<\/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 glm.fit: algorithm did not converge\n<\/strong><\/span><\/pre>\n So reproduzieren Sie die Warnung<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndf <- data. frame<\/span> (x=c(.1, .2, .3, .4, .5, .6, .7, .8, .9, 1, 1, 1.1, 1.3, 1.5, 1.7),\n y=c(0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1))\n\n#attempt to fit logistic regression model\n<\/span>glm(y~x, data=df, family=\" binomial<\/span> \")\n\nCall: glm(formula = y ~ x, family = \"binomial\", data = df)\n\nCoefficients:\n(Intercept)x \n -409.1 431.1 \n\nDegrees of Freedom: 14 Total (ie Null); 13 Residual\nNull Deviance: 20.19 \nResidual Deviance: 2.468e-09 AIC: 4\nWarning messages:\n1: glm.fit: algorithm did not converge \n2: glm.fit: fitted probabilities numerically 0 or 1 occurred \n<\/span><\/span><\/strong><\/pre>\n #create data frame\n<\/span>df <- data. frame<\/span> (x=c(.1, .2, .3, .4, .5, .6, .7, .8, .9, 1, 1, 1.1, 1.3, 1.5, 1.7),\n y=c(0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1))\n\n#fit logistic regression model\n<\/span>glm(y~x, data=df, family=\" binomial<\/span> \")\n\nCall: glm(formula = y ~ x, family = \"binomial\", data = df)\n\nCoefficients:\n(Intercept) x \n -2.112 2.886 \n\nDegrees of Freedom: 14 Total (ie Null); 13 Residual\nNull Deviance: 20.73 \nResidual Deviance: 16.31 AIC: 20.31\n<\/span><\/span><\/strong><\/pre>\n So gehen Sie mit der Warnung um<\/strong><\/span><\/h3>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So verwenden Sie die Vorhersagefunktion mit glm in R<\/a>
Vorgehensweise: glm.fit: Numerisch angepasste Wahrscheinlichkeiten 0 oder 1 sind aufgetreten<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"