<\/p>\n
Peringatan umum yang mungkin Anda temui di R adalah:<\/span><\/p>\n Peringatan ini sering terjadi ketika Anda mencoba menyesuaikan model regresi logistik di R dan melihat pemisahan yang sempurna<\/strong> , yaitu variabel prediktor mampu memisahkan variabel respons dengan sempurna menjadi 0 dan 1.<\/span><\/p>\n Contoh berikut menunjukkan cara menangani peringatan ini dalam praktiknya.<\/span><\/p>\n Misalkan kita mencoba menyesuaikan model regresi logistik berikut di R:<\/span><\/p>\n Perhatikan bahwa kami menerima pesan peringatan: glm.fit: algoritma tidak menyatu<\/strong> .<\/span><\/p>\n Pesan ini kita terima karena variabel prediktor x mampu memisahkan variabel respon y menjadi 0 dan 1 dengan sempurna.<\/span><\/p>\n Perhatikan bahwa untuk setiap nilai x yang kurang dari 1, y sama dengan 0. Dan untuk setiap nilai x yang sama dengan atau lebih besar dari 1, y sama dengan 1.<\/span><\/p>\n Kode berikut menunjukkan skenario ketika variabel prediktor tidak mampu memisahkan variabel respons menjadi 0 dan 1 dengan sempurna:<\/span><\/p>\n Kami tidak menerima pesan peringatan apa pun karena variabel prediktor tidak dapat memisahkan variabel respons menjadi 0 dan 1 dengan sempurna.<\/span><\/p>\n Jika kita menghadapi skenario pemisahan yang sempurna, ada dua cara untuk menanganinya:<\/span><\/p>\n Metode 1: Gunakan regresi yang diberi sanksi.<\/strong><\/span><\/p>\n Salah satu pilihannya adalah dengan menggunakan bentuk regresi logistik yang dikenakan sanksi seperti regresi logistik laso atau regularisasi jaring elastis.<\/span><\/p>\n Lihat paket glmnet<\/a> untuk opsi tentang cara menerapkan regresi logistik yang dikenakan sanksi di R.<\/span><\/p>\n Metode 2: Gunakan variabel prediktor untuk memprediksi variabel respon dengan sempurna.<\/strong><\/span><\/p>\n Jika Anda menduga bahwa pemisahan sempurna ini mungkin ada dalam populasi, Anda cukup menggunakan variabel prediktor ini untuk memprediksi dengan sempurna nilai variabel respons.<\/span><\/p>\n Misalnya, pada skenario di atas, kita melihat bahwa variabel respon y<\/strong> selalu sama dengan 0 ketika variabel prediktor x<\/strong> kurang dari 1.<\/span><\/p>\n Jika kita mencurigai bahwa hubungan ini berlaku pada keseluruhan populasi, kita selalu dapat memprediksi bahwa nilai y<\/strong> akan menjadi 0 ketika x<\/strong> kurang dari 1 dan tidak perlu khawatir untuk menerapkan model regresi logistik yang dikenakan sanksi.<\/span><\/p>\n Tutorial berikut memberikan informasi tambahan tentang penggunaan fungsi glm()<\/strong> di R:<\/span><\/p>\n Perbedaan antara glm dan lm di R<\/a> Peringatan umum yang mungkin Anda temui di R adalah: glm.fit: algorithm did not converge Peringatan ini sering terjadi ketika Anda mencoba menyesuaikan model regresi logistik di R dan melihat pemisahan yang sempurna , yaitu variabel prediktor mampu memisahkan variabel respons dengan sempurna menjadi 0 dan 1. Contoh berikut menunjukkan cara menangani peringatan ini dalam praktiknya. […]<\/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 Cara mereproduksi peringatan tersebut<\/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 Bagaimana menangani peringatan tersebut<\/strong><\/span><\/h3>\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara menggunakan fungsi prediksi dengan glm di R<\/a>
Cara menangani: glm.fit: probabilitas yang disesuaikan secara numerik 0 atau 1 terjadi<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"