<\/p>\n
Un messaggio di errore che potresti incontrare in R \u00e8:<\/span><\/p>\n Questo messaggio di errore si verifica quando si adatta un modello utilizzando la funzione glm()<\/strong> in R e due o pi\u00f9 variabili predittive hanno una relazione lineare esatta tra loro, nota come multicollinearit\u00e0 perfetta<\/a> .<\/span><\/p>\n Per correggere questo errore, puoi utilizzare la funzione cor()<\/strong> per identificare le variabili nel tuo set di dati che hanno una perfetta correlazione tra loro e rimuovere semplicemente una di queste variabili dal modello di regressione.<\/span><\/span><\/p>\n Questo tutorial spiega come gestire in pratica questo messaggio di errore.<\/span><\/p>\n Supponiamo di adattare un modello di regressione logistica<\/a> al seguente frame di dati in R:<\/span><\/p>\n Si noti che appena prima dell’output del coefficiente, riceviamo il messaggio:<\/span><\/p>\n Ci\u00f2 indica che due o pi\u00f9 variabili predittive nel modello hanno una relazione lineare perfetta e pertanto non tutti i coefficienti di regressione nel modello possono essere stimati.<\/span><\/p>\n Ad esempio, si noti che non \u00e8 possibile effettuare stime di coefficienti per la variabile predittrice x 2<\/sub><\/strong> .<\/span><\/p>\n Per identificare quali variabili predittive causano questo errore, possiamo utilizzare la funzione cor()<\/strong> per produrre una matrice di correlazione<\/a> ed esaminare quali variabili hanno una correlazione esattamente pari a 1<\/strong> tra loro:<\/span><\/p>\n Dalla matrice di correlazione possiamo vedere che le variabili x 1<\/sub><\/strong> e x 2<\/sub><\/strong> sono perfettamente correlate.<\/span><\/p>\n Per risolvere questo errore, possiamo semplicemente rimuovere una di queste due variabili dal modello, poich\u00e9 in realt\u00e0 non forniscono informazioni univoche o indipendenti nel modello di regressione.<\/span><\/p>\n Ad esempio, supponiamo di rimuovere x 2<\/sub><\/strong> e di adattare il seguente modello di regressione logistica:<\/span><\/p>\n Tieni presente che questa volta non riceviamo un messaggio di errore “indefinito a causa di singolarit\u00e0”.<\/span><\/p>\n Nota<\/strong> : non importa se rimuoviamo x 1<\/sub> o x 2<\/sub> . Il modello finale conterr\u00e0 la stessa stima del coefficiente per la variabile che decidi di mantenere e la bont\u00e0 di adattamento complessiva del modello sar\u00e0 la stessa.<\/span><\/p>\n I seguenti tutorial spiegano come gestire altri errori in R:<\/span><\/p>\n Come risolvere il problema in R: formula modello non valida in ExtractVars Un messaggio di errore che potresti incontrare in R \u00e8: Coefficients: (1 not defined because of singularities) Questo messaggio di errore si verifica quando si adatta un modello utilizzando la funzione glm() in R e due o pi\u00f9 variabili predittive hanno una relazione lineare esatta tra loro, nota come multicollinearit\u00e0 perfetta . Per correggere questo […]<\/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 Coefficients: (1 not defined because of singularities) \n<\/strong><\/pre>\n
Come riprodurre l’errore<\/strong><\/h3>\n
#define data\n<\/span>df <- 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(6, 6, 8, 8, 6, 4, 10, 16, 18, 18, 18, 16, 18, 18, 18),\n x3 = c(4, 7, 7, 3, 8, 9, 9, 8, 7, 8, 9, 4, 9, 10, 13))\n\n#fit logistic regression model\n<\/span>model <- glm(y~x1+x2+x3, data=df, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = y ~ x1 + x2 + x3, family = binomial, data = df)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.372e-05 -2.110e-08 2.110e-08 2.110e-08 1.575e-05 \n\nCoefficients: (1 not defined because of singularities)\n Estimate Std. Error z value Pr(>|z|)\n(Intercept) -75.496 176487.031 0.000 1\nx1 14.546 24314.459 0.001 1\nx2 NA NA NA NA\nx3 -2.258 20119.863 0.000 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: 5.1523e-10 on 12 degrees of freedom\nAIC: 6\n\nNumber of Fisher Scoring iterations: 24\n<\/strong><\/span><\/pre>\n Coefficients: (1 not defined because of singularities)\n<\/strong><\/span><\/pre>\n Come gestire l’errore<\/strong><\/span><\/h3>\n
#create correlation matrix<\/span>\ncor(df)\n\n y x1 x2 x3\ny 1.0000000 0.9675325 0.9675325 0.3610320\nx1 0.9675325 1.0000000 1.0000000 0.3872889\nx2 0.9675325 1.0000000 1.0000000 0.3872889\nx3 0.3610320 0.3872889 0.3872889 1.0000000\n<\/strong><\/span><\/pre>\n #fit logistic regression model\n<\/span>model <- glm(y~x1+x3, data=df, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = y ~ x1 + x3, family = binomial, data = df)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.372e-05 -2.110e-08 2.110e-08 2.110e-08 1.575e-05 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|)\n(Intercept) -75.496 176487.031 0.000 1\nx1 14.546 24314.459 0.001 1\nx3 -2.258 20119.863 0.000 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: 5.1523e-10 on 12 degrees of freedom\nAIC: 6\n\nNumber of Fisher Scoring iterations: 24<\/strong><\/span><\/pre>\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":"