<\/p>\n
Typowym ostrze\u017ceniem, kt\u00f3re mo\u017cesz napotka\u0107 w R, jest:<\/span><\/p>\n To ostrze\u017cenie cz\u0119sto pojawia si\u0119, gdy pr\u00f3bujesz dopasowa\u0107 model regresji logistycznej w R i widzisz idealn\u0105 separacj\u0119<\/strong> , to znaczy zmienna predykcyjna jest w stanie doskonale rozdzieli\u0107 zmienn\u0105 odpowiedzi na 0 i 1.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce post\u0119powa\u0107 z tym ostrze\u017ceniem.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce pr\u00f3bujemy dopasowa\u0107 nast\u0119puj\u0105cy model regresji logistycznej w R:<\/span><\/p>\n Zauwa\u017c, \u017ce pojawia si\u0119 komunikat ostrzegawczy: glm.fit: algorytm nie zbieg\u0142 si\u0119<\/strong> .<\/span><\/p>\n Otrzymujemy t\u0119 wiadomo\u015b\u0107, poniewa\u017c zmienna predykcyjna x jest w stanie doskonale rozdzieli\u0107 zmienn\u0105 odpowiedzi y na 0 i 1.<\/span><\/p>\n Zauwa\u017c, \u017ce dla ka\u017cdej warto\u015bci x mniejszej ni\u017c 1 y jest r\u00f3wne 0. A dla ka\u017cdej warto\u015bci x r\u00f3wnej lub wi\u0119kszej ni\u017c 1 y jest r\u00f3wne 1.<\/span><\/p>\n Poni\u017cszy kod przedstawia scenariusz, w kt\u00f3rym zmienna predykcyjna nie jest w stanie idealnie rozdzieli\u0107 zmiennej odpowiedzi na 0 i 1:<\/span><\/p>\n Nie otrzymujemy \u017cadnych komunikat\u00f3w ostrzegawczych, poniewa\u017c zmienna predykcyjna nie jest w stanie idealnie rozdzieli\u0107 zmiennej odpowiedzi na 0 i 1.<\/span><\/p>\n Je\u015bli mamy do czynienia ze scenariuszem idealnej separacji, mo\u017cna sobie z ni\u0105 poradzi\u0107 na dwa sposoby:<\/span><\/p>\n Metoda 1: U\u017cyj ukaranej regresji.<\/strong><\/span><\/p>\n Jedn\u0105 z opcji jest zastosowanie formy penalnej regresji logistycznej, takiej jak regresja logistyczna lasso lub elastyczna regularyzacja sieci.<\/span><\/p>\n Opcje implementacji ukaranej regresji logistycznej w R. znajduj\u0105 si\u0119 w pakiecie glmnet<\/a> .<\/span><\/p>\n Metoda 2: U\u017cyj zmiennej predykcyjnej, aby doskonale przewidzie\u0107 zmienn\u0105 odpowiedzi.<\/strong><\/span><\/p>\n Je\u015bli podejrzewasz, \u017ce w populacji mo\u017ce istnie\u0107 idealna separacja, mo\u017cesz po prostu u\u017cy\u0107 tej zmiennej predykcyjnej, aby idealnie przewidzie\u0107 warto\u015b\u0107 zmiennej odpowiedzi.<\/span><\/p>\n Na przyk\u0142ad w powy\u017cszym scenariuszu widzieli\u015bmy, \u017ce zmienna odpowiedzi y<\/strong> by\u0142a zawsze r\u00f3wna 0, gdy zmienna predykcyjna x<\/strong> by\u0142a mniejsza ni\u017c 1.<\/span><\/p>\n Je\u015bli podejrzewamy, \u017ce ta zale\u017cno\u015b\u0107 zachodzi w ca\u0142ej populacji, zawsze mo\u017cemy przewidzie\u0107, \u017ce warto\u015b\u0107 y<\/strong> b\u0119dzie wynosi\u0107 0, gdy x<\/strong> jest mniejsze ni\u017c 1, i nie martwi\u0107 si\u0119 o dopasowanie ukaranego modelu regresji logistycznej.<\/span><\/p>\n Poni\u017csze tutoriale dostarczaj\u0105 dodatkowych informacji na temat u\u017cywania funkcji glm()<\/strong> w R:<\/span><\/p>\n R\u00f3\u017cnica mi\u0119dzy glm i lm w R<\/a> Typowym ostrze\u017ceniem, kt\u00f3re mo\u017cesz napotka\u0107 w R, jest: glm.fit: algorithm did not converge To ostrze\u017cenie cz\u0119sto pojawia si\u0119, gdy pr\u00f3bujesz dopasowa\u0107 model regresji logistycznej w R i widzisz idealn\u0105 separacj\u0119 , to znaczy zmienna predykcyjna jest w stanie doskonale rozdzieli\u0107 zmienn\u0105 odpowiedzi na 0 i 1. Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce post\u0119powa\u0107 z tym […]<\/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-2254","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n glm.fit: algorithm did not converge\n<\/strong><\/span><\/pre>\n Jak odtworzy\u0107 ostrze\u017cenie<\/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 Jak post\u0119powa\u0107 z ostrze\u017ceniem<\/strong><\/span><\/h3>\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak korzysta\u0107 z funkcji przewidywania z glm w R<\/a>
Jak sobie radzi\u0107 z: glm.fit: wyst\u0105pi\u0142o prawdopodobie\u0144stwo skorygowane numerycznie 0 lub 1<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"