<\/p>\n
Un messaggio di avviso che potresti incontrare in R \u00e8:<\/span><\/p>\n Questo avviso si verifica quando si sta adattando un modello di regressione logistica e le probabilit\u00e0 previste di una o pi\u00f9 osservazioni nel database non possono essere distinte da 0 o 1.<\/span><\/p>\n Tieni presente che questo \u00e8 un messaggio di avviso<\/strong> e non un errore. Anche se ricevi questo errore, il tuo modello di regressione logistica sar\u00e0 comunque adatto, ma potrebbe essere utile analizzare il frame di dati originale per vedere se sono presenti valori anomali che causano la visualizzazione di questo messaggio di avviso.<\/span><\/p>\n Questo tutorial spiega come gestire in pratica questo messaggio di avviso.<\/span><\/p>\n Supponiamo di adattare un modello di regressione logistica al seguente frame di dati in R:<\/span><\/p>\n Il nostro modello di regressione logistica adatta correttamente i dati, ma riceviamo un messaggio di avviso che regola numericamente le probabilit\u00e0 su 0 o 1<\/strong> .<\/span><\/p>\n Se utilizziamo il modello di regressione logistica adattata per fare previsioni sul valore di risposta delle osservazioni nel database originale, possiamo vedere che quasi tutte le probabilit\u00e0 previste sono indistinguibili da 0 e 1:<\/span><\/p>\n Esistono tre modi per gestire questo messaggio di avviso:<\/span><\/p>\n (1) Ignoralo.<\/strong><\/span><\/p>\n In alcuni casi \u00e8 possibile semplicemente ignorare questo messaggio di avviso poich\u00e9 non indica necessariamente la presenza di un problema con il modello di regressione logistica. Ci\u00f2 significa semplicemente che una o pi\u00f9 osservazioni nel data frame hanno valori previsti indistinguibili da 0 o 1.<\/span><\/p>\n (2) Aumentare la dimensione del campione.<\/strong><\/span><\/p>\n In altri casi, questo messaggio di avviso viene visualizzato quando si lavora con piccoli blocchi di dati per i quali semplicemente non ci sono dati sufficienti per fornire un adattamento affidabile del modello. Per correggere questo errore, aumenta semplicemente la dimensione del campione delle osservazioni che inserisci nel modello.<\/span><\/p>\n (3) Rimuovere i valori anomali.<\/strong><\/span><\/p>\n In altri casi, questo errore si verifica quando sono presenti valori anomali nel database originale e solo un piccolo numero di osservazioni ha probabilit\u00e0 vicine a 0 o 1. Rimuovendo questi valori anomali, il messaggio di avviso spesso scompare.<\/span><\/p>\n I seguenti tutorial spiegano come gestire altri avvisi ed errori in R:<\/span><\/p>\n Come risolvere il problema in R: formula modello non valida in ExtractVars Un messaggio di avviso che potresti incontrare in R \u00e8: Warning message: glm.fit: fitted probabilities numerically 0 or 1 occurred Questo avviso si verifica quando si sta adattando un modello di regressione logistica e le probabilit\u00e0 previste di una o pi\u00f9 osservazioni nel database non possono essere distinte da 0 o 1. Tieni presente che […]<\/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 Warning message:\nglm.fit: fitted probabilities numerically 0 or 1 occurred \n<\/strong><\/pre>\n
Come riprodurre l’avviso<\/strong><\/h3>\n
#create data frame\ndf <- data. frame<\/span> (y = c(0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1),\n x1 = c(3, 3, 4, 4, 3, 2, 5, 8, 9, 9, 9, 8, 9, 9, 9),\n x2 = c(8, 7, 7, 6, 5, 6, 5, 2, 2, 3, 4, 3, 7, 4, 4))\n\n#fit logistic regression model\n<\/span>model <- glm(y ~ x1 + x2, data=df, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nWarning message:\nglm.fit: fitted probabilities numerically 0 or 1 occurred \n\nCall:\nglm(formula = y ~ x1 + x2, family = binomial, data = df)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.729e-05 -2.110e-08 2.110e-08 2.110e-08 1.515e-05 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|)\n(Intercept) -75.205 307338.933 0 1\nx1 13,309 28512,818 0 1\nx2 -2.793 37342.280 0 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 2.0728e+01 on 14 degrees of freedom\nResidual deviance: 5.6951e-10 on 12 degrees of freedom\nAIC: 6\n\nNumber of Fisher Scoring iterations: 24<\/span><\/span><\/strong><\/span><\/pre>\n #use fitted model to predict response values\n<\/span>df$y_pred = predict(model, df, type=\" response<\/span> \")\n\n#view updated data frame\n<\/span>df\n\n y x1 x2 y_pred\n1 0 3 8 2.220446e-16\n2 0 3 7 2.220446e-16\n3 0 4 7 2.220446e-16\n4 0 4 6 2.220446e-16\n5 0 3 5 2.220446e-16\n6 0 2 6 2.220446e-16\n7 0 5 5 1.494599e-10\n8 1 8 2 1.000000e+00\n9 1 9 2 1.000000e+00\n10 1 9 3 1.000000e+00\n11 1 9 4 1.000000e+00\n12 1 8 3 1.000000e+00\n13 1 9 7 1.000000e+00\n14 1 9 4 1.000000e+00\n15 1 9 4 1.000000e+00<\/strong><\/span><\/pre>\n Come gestire l’avviso<\/strong><\/span><\/h3>\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come risolvere in R: l’argomento non \u00e8 n\u00e9 numerico n\u00e9 logico: return na<\/a>
Come risolvere: randomForest.default(m, y, \u2026): Na\/NaN\/Inf nella chiamata di funzione esterna<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"