<\/p>\n
Fungsi glm()<\/strong> di R dapat digunakan untuk menyesuaikan model linier umum.<\/span> Fitur ini sangat berguna untuk menyesuaikan model regresi logistik<\/a> , model regresi Poisson,<\/a> dan model kompleks lainnya.<\/span><\/p>\n Setelah kita memasang model, kita kemudian dapat menggunakan fungsi prediksi()<\/strong> untuk memprediksi nilai respons dari observasi baru.<\/span><\/p>\n Fungsi ini menggunakan sintaks berikut:<\/span><\/p>\n prediksi(objek, data baru, tipe = \u201crespons\u201d)<\/strong><\/span><\/p>\n Emas:<\/span><\/p>\n Contoh berikut menunjukkan cara menyesuaikan model linier umum di R dan bagaimana kemudian menggunakan model tersebut untuk memprediksi nilai respons dari observasi baru yang belum pernah dilihat sebelumnya.<\/span><\/p>\n Untuk contoh ini, kita akan menggunakan dataset R bawaan yang disebut mtcars<\/strong> :<\/span><\/p>\n Kami akan menyesuaikan model regresi logistik berikut di mana kami menggunakan variabel disp<\/strong> dan hp<\/strong> untuk memprediksi variabel respon am<\/strong> (tipe transmisi mobil: 0 = otomatis, 1 = manual).<\/span><\/p>\n Kita kemudian dapat menggunakan model ini untuk memprediksi probabilitas sebuah mobil baru akan memiliki transmisi otomatis (am=0) atau transmisi manual (am=1) dengan menggunakan kode berikut:<\/span><\/p>\n Model tersebut memperkirakan probabilitas mobil baru memiliki transmisi manual (am=1) adalah 0,004<\/strong> . Artinya, besar kemungkinan mobil baru ini hadir dengan transmisi otomatis.<\/span><\/p>\n Perhatikan bahwa kita juga dapat membuat beberapa prediksi sekaligus jika kita memiliki database yang berisi beberapa mobil baru.<\/span><\/p>\n Misalnya, kode berikut menunjukkan cara menggunakan model yang dipasang untuk memprediksi kemungkinan transmisi manual untuk tiga mobil baru:<\/span><\/p>\n Berikut cara menafsirkan hasilnya:<\/span><\/p>\n Nama kolom dalam bingkai data baru harus sama persis dengan nama kolom dalam bingkai data yang digunakan untuk membuat model.<\/span><\/p>\n Perhatikan bahwa dalam contoh sebelumnya, bingkai data yang kami gunakan untuk membuat model berisi nama kolom berikut untuk variabel prediktor kami:<\/span><\/p>\n Jadi ketika kami membuat bingkai data baru yang disebut data baru,<\/strong> kami memastikan untuk memberi nama pada kolomnya juga:<\/span><\/p>\n Jika nama kolom tidak cocok, Anda akan menerima pesan kesalahan berikut:<\/span><\/p>\n Kesalahan dalam eval (predvars, data, env)<\/strong><\/span><\/p>\n Ingatlah hal ini saat menggunakan fungsi prediksi()<\/strong> .<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Fungsi glm() di R dapat digunakan untuk menyesuaikan model linier umum. Fitur ini sangat berguna untuk menyesuaikan model regresi logistik , model regresi Poisson, dan model kompleks lainnya. Setelah kita memasang model, kita kemudian dapat menggunakan fungsi prediksi() untuk memprediksi nilai respons dari observasi baru. Fungsi ini menggunakan sintaks berikut: prediksi(objek, data baru, tipe = […]<\/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
Contoh: Menggunakan fungsi perkiraan dengan glm di R<\/strong><\/span><\/h3>\n
#view first six rows of mtcars<\/em> data frame<\/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 observation\nnewdata = data. frame<\/span> (disp=200, hp=100)\n<\/span>\n#use model to predict value of am\npredict(model, newdata, type=\" response<\/span> \")\n\n 1 \n0.00422564\n<\/span><\/span><\/strong><\/pre>\n #define new data frame of three cars\nnewdata = data. frame<\/span> (disp=c(200, 180, 160),\n hp=c(100, 90, 108))\n\n#view data frame<\/span>\nnewdata\n\n hp disp\n1,200 100\n2 180 90\n3,160,108\n<\/span>\n#use model to predict value of am<\/em> for all three cars\npredict(model, newdata, type=\" response<\/span> \")\n\n 1 2 3 \n0.004225640 0.008361069 0.335916069 \n<\/span><\/span><\/strong><\/pre>\n\n
Komentar<\/strong><\/span><\/h2>\n
\n
\n
Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan regresi linier berganda di R<\/a>
Bagaimana melakukan regresi polinomial di R<\/a>
Cara membuat interval prediksi di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"