R에서 로지스틱 회귀 모델과 함께 predict()를 사용하는 방법

R에 로지스틱 회귀 모델을 적용한 후에 는 예측() 함수를 사용하여 모델이 이전에 본 적이 없는 새로운 관찰의 응답 값을 예측할 수 있습니다.

이 함수는 다음 구문을 사용합니다.

예측(객체, newdata, 유형 = “응답”)

금:

• 객체: 로지스틱 회귀 모델의 이름
• newdata: 예측할 새 데이터 프레임의 이름
• type: 예측할 유형

다음 예에서는 이 기능을 실제로 사용하는 방법을 보여줍니다.

예: R에서 로지스틱 회귀 모델과 함께 Predict() 사용

이 예에서는 mtcars 라는 내장 R 데이터 세트를 사용합니다.

 #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

우리는 변수 disp 와 hp를 사용하여 응답 변수 am (자동차의 변속기 유형: 0 = 자동, 1 = 수동)을 예측하는 다음과 같은 로지스틱 회귀 모델을 적합합니다.

 #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

그런 다음 모델이 이전에 본 적이 없는 8대의 자동차에 대한 정보가 포함된 새 데이터 프레임을 생성하고 예측() 함수를 사용하여 새 자동차가 자동 변속기(am=0) 또는 수동 변속기를 가질 확률을 예측할 수 있습니다( 오전 =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

결과를 해석하는 방법은 다음과 같습니다.

• 자동차 1이 수동변속기일 확률은 0.004 이다.
• 자동차 2가 수동변속기일 확률은 0.008 이다.
• 자동차 3이 수동변속기일 확률은 0.336 이다.

등등.

또한 table() 함수를 사용하여 모델에서 예측한 값과 실제 am 값을 표시하는 혼동 행렬을 만들 수도 있습니다.

 #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

마지막으로 Mean() 함수를 사용하여 모델이 am 값을 올바르게 예측한 새 데이터베이스의 관측치 비율을 계산할 수 있습니다.

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

[1] 0.75

모델이 새 데이터베이스에 있는 자동차 중 75% 에 대한 am 값을 올바르게 예측했음을 확인할 수 있습니다.

추가 리소스

다음 튜토리얼에서는 R에서 다른 일반적인 작업을 수행하는 방법을 설명합니다.

R에서 단순 선형 회귀를 수행하는 방법
R에서 다중 선형 회귀를 수행하는 방법
R에서 다항식 회귀를 수행하는 방법
R에서 예측 구간을 만드는 방법