广义线性模型 R--glm函数

最新推荐文章于 2024-07-11 09:07:14 发布

转载

最新推荐文章于 2024-07-11 09:07:14 发布 · 3.1k 阅读

19 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/runner-ljt/p/4574275.html

文章标签：

#人工智能 #r语言

本文介绍了R语言中glm函数的学习，包括其在logistic回归中的应用，常见错误及解决办法。文章讨论了glm函数的参数设置，如二项分布和泊松分布的连接函数，并解析了算法不收敛和拟合概率为0或1的警告信息。针对完全线性可分数据，提出了过拟合问题和简单的规则判断替代方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

R语言glm函数学习：

【转载时请注明来源】：http://www.cnblogs.com/runner-ljt/

Ljt

作为一个初学者，水平有限，欢迎交流指正。

glm函数介绍：

glm(formula, family=family.generator, data,control = list(...))


family：每一种响应分布（指数分布族）允许各种关联函数将均值和线性预测器关联起来。

常用的family：

binomal(link='logit') ----响应变量服从二项分布，连接函数为logit，即logistic回归

binomal(link='probit') ----响应变量服从二项分布，连接函数为probit

poisson(link='identity') ----响应变量服从泊松分布，即泊松回归

control:控制算法误差和最大迭代次数

glm.control(epsilon = 1e-8, maxit = 25, trace = FALSE)

-----maxit:算法最大迭代次数，改变最大迭代次数：control=list(maxit=100)

glm函数使用：

> 
> data<-iris[1:100,]
> samp<-sample(100,80)
> names(data)<-c('sl','sw','pl','pw','species')
> testdata<-data[samp,]
> traindata<-data[-samp,]
> 
> lgst<-glm(testdata$species~pl,binomial(link='logit'),data=testdata)
Warning messages:
1: glm.fit:算法没有聚合 
2: glm.fit:拟合機率算出来是数值零或一 
> summary(lgst)

Call:
glm(formula = testdata$species ~ pl, family = binomial(link = "logit"), 
    data = testdata)

Deviance Residuals: 
       Min          1Q      Median          3Q         Max  
-1.836e-05  -2.110e-08  -2.110e-08   2.110e-08   1.915e-05  

Coefficients:
            Estimate Std. Error z value Pr(