<\/p>\n
Komunikat ostrzegawczy, kt\u00f3ry mo\u017cesz napotka\u0107 w R, to:<\/span><\/p>\n To ostrze\u017cenie pojawia si\u0119, gdy dopasowujesz model regresji logistycznej i przewidywanego prawdopodobie\u0144stwa jednej lub wi\u0119kszej liczby obserwacji w bazie danych nie mo\u017cna odr\u00f3\u017cni\u0107 od 0 lub 1.<\/span><\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce jest to komunikat ostrzegawczy<\/strong> , a nie b\u0142\u0105d. Nawet je\u015bli pojawi si\u0119 ten b\u0142\u0105d, model regresji logistycznej b\u0119dzie nadal pasowa\u0142, ale pomocne mo\u017ce by\u0107 przeanalizowanie oryginalnej ramki danych w celu sprawdzenia, czy istniej\u0105 jakie\u015b warto\u015bci odstaj\u0105ce powoduj\u0105ce wy\u015bwietlenie tego komunikatu ostrzegawczego.<\/span><\/p>\n W tym samouczku wyja\u015bniono, jak w praktyce post\u0119powa\u0107 z tym komunikatem ostrzegawczym.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce dopasowujemy model regresji logistycznej do nast\u0119puj\u0105cej ramki danych w R:<\/span><\/p>\n Nasz model regresji logistycznej pomy\u015blnie dopasowuje dane, ale pojawia si\u0119 komunikat ostrzegawczy, kt\u00f3ry numerycznie dostosowuje prawdopodobie\u0144stwa do 0 lub 1<\/strong> .<\/span><\/p>\n Je\u015bli u\u017cyjemy dopasowanego modelu regresji logistycznej do przewidywania warto\u015bci odpowiedzi obserwacji w oryginalnej bazie danych, mo\u017cemy zobaczy\u0107, \u017ce prawie wszystkie przewidywane prawdopodobie\u0144stwa s\u0105 nie do odr\u00f3\u017cnienia od 0 i 1:<\/span><\/p>\n Istniej\u0105 trzy sposoby post\u0119powania z tym komunikatem ostrzegawczym:<\/span><\/p>\n (1) Zignoruj to.<\/strong><\/span><\/p>\n W niekt\u00f3rych przypadkach mo\u017cna po prostu zignorowa\u0107 ten komunikat ostrzegawczy, poniewa\u017c niekoniecznie oznacza on problem z modelem regresji logistycznej. Oznacza to po prostu, \u017ce jedna lub wi\u0119cej obserwacji w ramce danych ma przewidywane warto\u015bci nie do odr\u00f3\u017cnienia od 0 lub 1.<\/span><\/p>\n (2) Zwi\u0119ksz wielko\u015b\u0107 pr\u00f3bki.<\/strong><\/span><\/p>\n W innych przypadkach ten komunikat ostrzegawczy pojawia si\u0119 podczas pracy z ma\u0142ymi blokami danych, dla kt\u00f3rych po prostu nie ma wystarczaj\u0105cej ilo\u015bci danych, aby zapewni\u0107 niezawodne dopasowanie modelu. Aby skorygowa\u0107 ten b\u0142\u0105d, wystarczy zwi\u0119kszy\u0107 wielko\u015b\u0107 pr\u00f3by obserwacji wprowadzanych do modelu.<\/span><\/p>\n (3) Usu\u0144 warto\u015bci odstaj\u0105ce.<\/strong><\/span><\/p>\n W innych przypadkach ten b\u0142\u0105d wyst\u0119puje, gdy w oryginalnej bazie danych znajduj\u0105 si\u0119 warto\u015bci odstaj\u0105ce i tylko niewielka liczba obserwacji ma prawdopodobie\u0144stwa bliskie 0 lub 1. Po usuni\u0119ciu tych warto\u015bci odstaj\u0105cych komunikat ostrzegawczy cz\u0119sto znika.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak radzi\u0107 sobie z innymi ostrze\u017ceniami i b\u0142\u0119dami w R:<\/span><\/p>\n Jak naprawi\u0107 w R: Nieprawid\u0142owa formu\u0142a szablonu w ExtractVars Komunikat ostrzegawczy, kt\u00f3ry mo\u017cesz napotka\u0107 w R, to: Warning message: glm.fit: fitted probabilities numerically 0 or 1 occurred To ostrze\u017cenie pojawia si\u0119, gdy dopasowujesz model regresji logistycznej i przewidywanego prawdopodobie\u0144stwa jednej lub wi\u0119kszej liczby obserwacji w bazie danych nie mo\u017cna odr\u00f3\u017cni\u0107 od 0 lub 1. Nale\u017cy pami\u0119ta\u0107, \u017ce jest to komunikat ostrzegawczy , a nie […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2077","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Warning message:\nglm.fit: fitted probabilities numerically 0 or 1 occurred \n<\/strong><\/pre>\n
Jak odtworzy\u0107 ostrze\u017cenie<\/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 Jak post\u0119powa\u0107 z ostrze\u017ceniem<\/strong><\/span><\/h3>\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak naprawi\u0107 w R: argument nie jest ani numeryczny, ani logiczny: return na<\/a>
Jak naprawi\u0107: randomForest.default(m, y, \u2026): Na\/NaN\/Inf w wywo\u0142aniu funkcji obcej<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"