<\/p>\n
La funzione glm()<\/strong> in R pu\u00f2 essere utilizzata per adattare modelli lineari generalizzati.<\/span> Questa funzionalit\u00e0 \u00e8 particolarmente utile per l’adattamento di modelli di regressione logistica<\/a> , modelli di regressione di Poisson<\/a> e altri modelli complessi.<\/span><\/p>\n Una volta adattato un modello, possiamo utilizzare la funzione predit()<\/strong> per prevedere il valore di risposta di una nuova osservazione.<\/span><\/p>\n Questa funzione utilizza la seguente sintassi:<\/span><\/p>\n predire (oggetto, nuovi dati, tipo = “risposta”)<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n L’esempio seguente mostra come adattare un modello lineare generalizzato in R e come quindi utilizzare il modello per prevedere il valore di risposta di una nuova osservazione mai vista prima.<\/span><\/p>\n Per questo esempio, utilizzeremo il set di dati R integrato chiamato mtcars<\/strong> :<\/span><\/p>\n Adatteremo il seguente modello di regressione logistica in cui utilizziamo le variabili disp<\/strong> e hp<\/strong> per prevedere la variabile di risposta am<\/strong> (il tipo di trasmissione dell’auto: 0 = automatico, 1 = manuale).<\/span><\/p>\n Possiamo quindi utilizzare questo modello per prevedere la probabilit\u00e0 che una nuova auto avr\u00e0 un cambio automatico (am=0) o un cambio manuale (am=1) utilizzando il seguente codice:<\/span><\/p>\n Il modello prevede che la probabilit\u00e0 che la nuova auto abbia un cambio manuale (am=1) \u00e8 0,004<\/strong> . Ci\u00f2 significa che \u00e8 molto probabile che questa nuova vettura sar\u00e0 dotata di cambio automatico.<\/span><\/p>\n Tieni presente che possiamo anche fare pi\u00f9 previsioni contemporaneamente se disponiamo di un database contenente pi\u00f9 auto nuove.<\/span><\/p>\n Ad esempio, il codice seguente mostra come utilizzare il modello montato per prevedere la probabilit\u00e0 di una trasmissione manuale per tre nuove auto:<\/span><\/p>\n Ecco come interpretare il risultato:<\/span><\/p>\n I nomi delle colonne nel nuovo frame di dati devono corrispondere esattamente ai nomi delle colonne nel frame di dati utilizzati per creare il modello.<\/span><\/p>\n Tieni presente che nel nostro esempio precedente, il frame di dati utilizzato per creare il modello conteneva i seguenti nomi di colonna per le nostre variabili predittive:<\/span><\/p>\n Pertanto, quando abbiamo creato il nuovo frame di dati chiamato newdata,<\/strong> ci siamo assicurati di nominare anche le colonne:<\/span><\/p>\n Se i nomi delle colonne non corrispondono, riceverai il seguente messaggio di errore:<\/span><\/p>\n Errore in eval (predvars, data, env)<\/strong><\/span><\/p>\n Tienilo a mente quando usi la funzione predit()<\/strong> .<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in R:<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> La funzione glm() in R pu\u00f2 essere utilizzata per adattare modelli lineari generalizzati. Questa funzionalit\u00e0 \u00e8 particolarmente utile per l’adattamento di modelli di regressione logistica , modelli di regressione di Poisson e altri modelli complessi. Una volta adattato un modello, possiamo utilizzare la funzione predit() per prevedere il valore di risposta di una nuova osservazione. […]<\/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
Esempio: utilizzo della funzione di previsione con glm in 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
Commenti<\/strong><\/span><\/h2>\n
\n
\n
Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come eseguire la regressione polinomiale in R<\/a>
Come creare un intervallo di previsione in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"