ที่จริงแล้วขึ้นอยู่กับสิ่งที่คุณต้องการได้รับ หากคุณทำการถดถอยโลจิสติกสำหรับการคาดการณ์เท่านั้นคุณสามารถใช้วิธีการจำแนกประเภทภายใต้การดูแลที่เหมาะสมกับข้อมูลของคุณ ความเป็นไปได้อีกอย่าง: การวิเคราะห์จำแนก (lda () และ qda () จากแพ็คเกจ MASS)
r <- lda(y~x) # use qda() for quadratic discriminant analysis
xx <- seq(min(x), max(x), length=100)
pred <- predict(r, data.frame(x=xx), type='response')
yy <- pred$posterior[,2]
color <- c("red","blue")
plot(y~x,pch=19,col=color[pred$class])
abline(lm(y~x),col='red',lty=2)
lines(xx,yy, col='blue', lwd=5, lty=2)
title(main='lda implementation')
ในทางกลับกันหากคุณต้องการช่วงความมั่นใจเกี่ยวกับการคาดการณ์หรือข้อผิดพลาดมาตรฐานของคุณโดยประมาณอัลกอริธึมการจำแนกส่วนใหญ่จะไม่ช่วยคุณ คุณสามารถใช้รุ่นเสริมทั่วไป (แบบผสม) ซึ่งมีแพ็คเกจจำนวนมาก ฉันมักจะใช้แพ็คเกจ mgcv ของ Simon Wood โมเดลสารเติมแต่งทั่วไปให้ความยืดหยุ่นมากกว่าการถดถอยโลจิสติกส์เนื่องจากคุณสามารถใช้เส้นโค้งเพื่อสร้างแบบจำลองการทำนายของคุณ
set.seed(55)
require(mgcv)
n <- 100
x1 <- c(rnorm(n), 1+rnorm(n))
x2 <- sqrt(c(rnorm(n,4),rnorm(n,6)))
y <- c(rep(0,n), rep(1,n))
r <- gam(y~s(x1)+s(x2),family=binomial)
xx <- seq(min(x1), max(x1), length=100)
xxx <- seq(min(x2), max(x2), length=100)
yy <- predict(r, data.frame(x1=xx,x2=xxx), type='response')
color=c("red","blue")
clustering <- ifelse(r$fitted.values < 0.5,1,2)
plot(y~x1,pch=19,col=color[clustering])
abline(lm(y~x1),col='red',lty=2)
lines(xx,yy, col='blue', lwd=5, lty=2)
title(main='gam implementation')
มีอะไรอีกมากมายให้ทำ:
op <- par(mfrow=c(2,1))
plot(r,all.terms=T)
par(op)
summary(r)
anova(r)
r2 <- gam(y~s(x1),family=binomial)
anova(r,r2,test="Chisq")
...
ฉันอยากจะแนะนำหนังสือของ Simon Wood เกี่ยวกับนายแบบเสริมทั่วไป