<\/p>\n
Een veel voorkomende waarschuwing die u in R kunt tegenkomen is:<\/span><\/p>\n Deze waarschuwing komt vaak voor wanneer u probeert een logistisch regressiemodel in R te passen en een perfecte scheiding<\/strong> ziet, dat wil zeggen dat een voorspellende variabele de responsvariabele perfect kan scheiden in 0 en in 1.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u in de praktijk met deze waarschuwing omgaat.<\/span><\/p>\n Stel dat we proberen het volgende logistische regressiemodel in R te passen:<\/span><\/p>\n Merk op dat we het waarschuwingsbericht ontvangen: glm.fit: algoritme convergeerde niet<\/strong> .<\/span><\/p>\n We ontvangen dit bericht omdat de voorspellende variabele x de responsvariabele y perfect kan scheiden in 0 en 1.<\/span><\/p>\n Merk op dat voor elke x-waarde kleiner dan 1, y gelijk is aan 0. En voor elke x-waarde gelijk aan of groter dan 1, is y gelijk aan 1.<\/span><\/p>\n De volgende code toont een scenario waarin de voorspellende variabele de responsvariabele niet perfect kan scheiden in 0s en 1s:<\/span><\/p>\n We ontvangen geen waarschuwingsberichten omdat de voorspellende variabele de responsvariabele niet perfect kan scheiden in 0 en 1.<\/span><\/p>\n Als we een scenario van perfecte scheiding tegenkomen, zijn er twee manieren om hiermee om te gaan:<\/span><\/p>\n Methode 1: Gebruik bestrafte regressie.<\/strong><\/span><\/p>\n E\u00e9n optie is het gebruik van een vorm van bestrafte logistieke regressie, zoals lasso-logistische regressie of elastische net-regularisatie.<\/span><\/p>\n Raadpleeg het glmnet-<\/a> pakket voor opties voor het implementeren van bestrafte logistische regressie in R.<\/span><\/p>\n Methode 2: Gebruik de voorspellende variabele om de responsvariabele perfect te voorspellen.<\/strong><\/span><\/p>\n Als u vermoedt dat deze perfecte scheiding in de populatie bestaat, kunt u eenvoudigweg deze voorspellende variabele gebruiken om de waarde van de responsvariabele perfect te voorspellen.<\/span><\/p>\n In het bovenstaande scenario zagen we bijvoorbeeld dat de responsvariabele y<\/strong> altijd gelijk was aan 0 als de voorspellende variabele x<\/strong> kleiner was dan 1.<\/span><\/p>\n Als we vermoeden dat deze relatie geldt voor de totale populatie, kunnen we altijd voorspellen dat de waarde van y<\/strong> 0 zal zijn als x<\/strong> kleiner is dan 1, en hoeven we ons geen zorgen te maken over het toepassen van een bestraft logistisch regressiemodel.<\/span><\/p>\n De volgende tutorials bieden aanvullende informatie over het gebruik van de glm()<\/strong> -functie in R:<\/span><\/p>\n Het verschil tussen glm en lm in R<\/a> Een veel voorkomende waarschuwing die u in R kunt tegenkomen is: glm.fit: algorithm did not converge Deze waarschuwing komt vaak voor wanneer u probeert een logistisch regressiemodel in R te passen en een perfecte scheiding ziet, dat wil zeggen dat een voorspellende variabele de responsvariabele perfect kan scheiden in 0 en in 1. Het volgende […]<\/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":[],"class_list":["post-2256","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n glm.fit: algorithm did not converge\n<\/strong><\/span><\/pre>\n Hoe de waarschuwing te reproduceren<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndf <- data. frame<\/span> (x=c(.1, .2, .3, .4, .5, .6, .7, .8, .9, 1, 1, 1.1, 1.3, 1.5, 1.7),\n y=c(0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1))\n\n#attempt to fit logistic regression model\n<\/span>glm(y~x, data=df, family=\" binomial<\/span> \")\n\nCall: glm(formula = y ~ x, family = \"binomial\", data = df)\n\nCoefficients:\n(Intercept)x \n -409.1 431.1 \n\nDegrees of Freedom: 14 Total (ie Null); 13 Residual\nNull Deviance: 20.19 \nResidual Deviance: 2.468e-09 AIC: 4\nWarning messages:\n1: glm.fit: algorithm did not converge \n2: glm.fit: fitted probabilities numerically 0 or 1 occurred \n<\/span><\/span><\/strong><\/pre>\n #create data frame\n<\/span>df <- data. frame<\/span> (x=c(.1, .2, .3, .4, .5, .6, .7, .8, .9, 1, 1, 1.1, 1.3, 1.5, 1.7),\n y=c(0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1))\n\n#fit logistic regression model\n<\/span>glm(y~x, data=df, family=\" binomial<\/span> \")\n\nCall: glm(formula = y ~ x, family = \"binomial\", data = df)\n\nCoefficients:\n(Intercept) x \n -2.112 2.886 \n\nDegrees of Freedom: 14 Total (ie Null); 13 Residual\nNull Deviance: 20.73 \nResidual Deviance: 16.31 AIC: 20.31\n<\/span><\/span><\/strong><\/pre>\n Hoe om te gaan met de waarschuwing<\/strong><\/span><\/h3>\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe de voorspellingsfunctie met glm in R te gebruiken<\/a>
Hoe te handelen: glm.fit: numeriek aangepaste kansen 0 of 1 zijn opgetreden<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"