R のロジスティック回帰モデルで predict() を使用する方法

R でロジスティック回帰モデルを適合させたら、 predict()関数を使用して、モデルがこれまでに見たことのない新しい観測値の応答値を予測できます。

この関数は次の構文を使用します。

予測(オブジェクト、新しいデータ、タイプ = “応答”)

金：

• オブジェクト:ロジスティック回帰モデルの名前
• newdata:予測を行う新しいデータ フレームの名前
• type:行う予測のタイプ

次の例は、この関数を実際に使用する方法を示しています。

例: R のロジスティック回帰モデルでの Predict() の使用

この例では、 mtcarsという組み込みの R データセットを使用します。

 #view first six rows of mtcars dataset
head(mtcars)

                   mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
Valiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1

次のロジスティック回帰モデルを当てはめます。このモデルでは、変数dispとhpを使用して応答変数am (車のトランスミッション タイプ: 0 = オートマチック、1 = マニュアル) を予測します。

 #fit logistic regression model
model <- glm(am ~ disp + hp, data=mtcars, family=binomial)

#view model summary
summary(model)

Call:
glm(formula = am ~ disp + hp, family = binomial, data = mtcars)

Deviance Residuals: 
    Min 1Q Median 3Q Max  
-1.9665 -0.3090 -0.0017 0.3934 1.3682  

Coefficients:
            Estimate Std. Error z value Pr(>|z|)  
(Intercept) 1.40342 1.36757 1.026 0.3048  
available -0.09518 0.04800 -1.983 0.0474 *
hp 0.12170 0.06777 1.796 0.0725 .
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 43,230 on 31 degrees of freedom
Residual deviance: 16,713 on 29 degrees of freedom
AIC: 22,713

Number of Fisher Scoring iterations: 8

次に、モデルがこれまで見たことのない 8 台の車に関する情報を含む新しいデータ フレームを作成し、 predict()関数を使用して、新しい車がオートマチック トランスミッション (am=0) またはマニュアル トランスミッションを搭載する確率を予測します (午前 =1):

 #define new data frame
newdata = data. frame (disp=c(200, 180, 160, 140, 120, 120, 100, 160),
                     hp=c(100, 90, 108, 90, 80, 90, 80, 90),
                     am=c(0, 0, 0, 1, 0, 1, 1, 1))

#view data frame
newdata

#use model to predict value of am for all new cars
newdata$am_prob <- predict(model, newdata, type=" response ")

#view updated data frame
newdata

  disp hp am am_prob
1 200 100 0 0.004225640
2 180 90 0 0.008361069
3 160 108 0 0.335916069
4 140 90 1 0.275162866
5 120 80 0 0.429961894
6 120 90 1 0.718090728
7 100 80 1 0.835013994
8 160 90 1 0.053546152

結果を解釈する方法は次のとおりです。

• 車 1 がマニュアル トランスミッションを備えている確率は0.004です。
• 車 2 がマニュアル トランスミッションを備えている確率は0.008です。
• 車 3 がマニュアル トランスミッションを備えている確率は0.336です。

等々。

table()関数を使用して、実際の am 値とモデルによって予測された値を表示する混同行列を作成することもできます。

 #create vector that contains 0 or 1 depending on predicted value of am
am_pred = rep(0, dim(newdata)[1])
am_pred[newdata$am_prob > .5] = 1

#create confusion matrix
table(am_pred, newdata$am)

am_pred 0 1
      0 4 2
      1 0 2

最後に、 Mean()関数を使用して、モデルがamの値を正しく予測した新しいデータベース内の観測値の割合を計算できます。

 #calculate percentage of observations the model correctly predicted response value for
mean(am_pred == newdata$am)

[1] 0.75

モデルが新しいデータベース内の75%の自動車のam値を正確に予測したことがわかります。

追加リソース

次のチュートリアルでは、R で他の一般的なタスクを実行する方法について説明します。

R で単純な線形回帰を実行する方法
R で重回帰を実行する方法
R で多項式回帰を実行する方法
R で予測区間を作成する方法