<\/p>\n
Sobald wir ein logistisches Regressionsmodell<\/a> in R angepasst haben, k\u00f6nnen wir die Funktion \u201epredict()\u201c<\/strong> verwenden, um den Antwortwert einer neuen Beobachtung vorherzusagen, die das Modell noch nie zuvor gesehen hat.<\/span><\/p>\n Diese Funktion verwendet die folgende Syntax:<\/span><\/p>\n Vorhersage(Objekt, neue Daten, Typ = \u201eAntwort\u201c)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n F\u00fcr dieses Beispiel verwenden wir den integrierten R-Datensatz namens mtcars<\/a> :<\/span><\/p>\n Wir werden das folgende logistische Regressionsmodell anpassen, in dem wir die Variablen disp<\/strong> und hp<\/strong> verwenden, um die Antwortvariable am<\/strong> (den Getriebetyp des Autos: 0 = automatisch, 1 = manuell) vorherzusagen:<\/span><\/p>\n Anschlie\u00dfend k\u00f6nnen wir einen neuen Datenrahmen erstellen, der Informationen \u00fcber acht Autos enth\u00e4lt, die das Modell noch nie zuvor gesehen hat, und mithilfe der Funktion \u201epredict()\u201c<\/strong> die Wahrscheinlichkeit vorhersagen, dass ein neues Auto ein Automatikgetriebe (am=0) oder ein Schaltgetriebe haben wird ( bin =1):<\/span><\/p>\n So interpretieren Sie das Ergebnis:<\/span><\/p>\n Und so weiter.<\/span><\/p>\n Wir k\u00f6nnen auch die Funktion table()<\/strong> verwenden, um eine Verwirrungsmatrix zu erstellen, die die tats\u00e4chlichen am-Werte im Vergleich zu den vom Modell vorhergesagten Werten anzeigt:<\/span><\/p>\n Schlie\u00dflich k\u00f6nnen wir die Funktion \u201eMean()\u201c<\/strong> verwenden, um den Prozentsatz der Beobachtungen in der neuen Datenbank zu berechnen, f\u00fcr die das Modell den Wert von am<\/strong> richtig vorhergesagt hat:<\/span><\/p>\n Wir k\u00f6nnen sehen, dass das Modell den am-<\/strong> Wert f\u00fcr 75 %<\/strong> der Autos in der neuen Datenbank korrekt vorhergesagt hat.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a> Sobald wir ein logistisches Regressionsmodell in R angepasst haben, k\u00f6nnen wir die Funktion \u201epredict()\u201c verwenden, um den Antwortwert einer neuen Beobachtung vorherzusagen, die das Modell noch nie zuvor gesehen hat. Diese Funktion verwendet die folgende Syntax: Vorhersage(Objekt, neue Daten, Typ = \u201eAntwort\u201c) Gold: Objekt: Der Name des logistischen Regressionsmodells newdata: Der Name des neuen Datenrahmens, […]<\/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\n
Beispiel: Verwendung von Predict() mit einem logistischen Regressionsmodell in R<\/strong><\/span><\/h2>\n
#view first six rows of mtcars<\/em> dataset<\/span>\nhead(mtcars)\n\n mpg cyl disp hp drat wt qsec vs am gear carb\nMazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4\nMazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4\nDatsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1\nHornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1\nHornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2\nValiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1<\/strong><\/pre>\n #fit logistic regression model<\/span>\nmodel <- glm(am ~ disp + hp, data=mtcars, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = am ~ disp + hp, family = binomial, data = mtcars)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.9665 -0.3090 -0.0017 0.3934 1.3682 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) 1.40342 1.36757 1.026 0.3048 \navailable -0.09518 0.04800 -1.983 0.0474 *\nhp 0.12170 0.06777 1.796 0.0725 .\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 43,230 on 31 degrees of freedom\nResidual deviance: 16,713 on 29 degrees of freedom\nAIC: 22,713\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n #define new data frame\nnewdata = data. frame<\/span> (disp=c(200, 180, 160, 140, 120, 120, 100, 160),\n hp=c(100, 90, 108, 90, 80, 90, 80, 90),\n am=c(0, 0, 0, 1, 0, 1, 1, 1))\n\n#view data frame\n<\/span>newdata\n\n#use model to predict value of am for all new cars\n<\/span>newdata$am_prob <- predict(model, newdata, type=\" response<\/span> \")\n\n#view updated data frame\n<\/span>newdata\n\n disp hp am am_prob\n1 200 100 0 0.004225640\n2 180 90 0 0.008361069\n3 160 108 0 0.335916069\n4 140 90 1 0.275162866\n5 120 80 0 0.429961894\n6 120 90 1 0.718090728\n7 100 80 1 0.835013994\n8 160 90 1 0.053546152<\/span><\/span><\/strong><\/pre>\n\n
#create vector that contains 0 or 1 depending on predicted value of am\nam_pred = rep(0, dim(newdata)[1])\nam_pred[newdata$am_prob > .5] = 1\n\n#create confusion matrix\n<\/span>table(am_pred, newdata$am)\n\nam_pred 0 1\n 0 4 2\n 1 0 2\n<\/span><\/span><\/strong><\/pre>\n #calculate percentage of observations the model correctly predicted response value for\nmean(am_pred == newdata$am)\n\n[1] 0.75\n<\/span><\/span><\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a>
So f\u00fchren Sie eine Polynomregression in R durch<\/a>
So erstellen Sie ein Vorhersageintervall in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"