广义线性模型——Logistic回归模型简单绘图(2)

使用R语言绘制超级实用的logistic回归模型图。

library(AER) # 数据
library(ggplot2) # 作图
library(ggsci) # 修饰图片风格

没有上述安装包的,自己安装一下。

data(Affairs,package ="AER")#提取使用的数据集
Affairs$chugui[Affairs$affairs>0]<-1#将出轨次数大于零的结果定为二分类变量(1:出轨)
Affairs$chugui[Affairs$affairs==0]<-0#将出轨次数等于零的结果定为二分类变量(0:未出轨)

这里假设研究年龄 (age) 与出轨状况 (chugui) 的关系,并按性别 (gender) 分层。

这里因变量(chugui)被改为二分类变量,所以选择进行logistic回归。

ggplot(Affairs, aes(age,chugui, color = gender)) +geom_point(alpha =0.5, position = position_jitter(height =0.02)) +stat_smooth(method = "glm",method.args = list(family=binomial),formula = y~x,alpha=0.1
  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
广义线性模型中,Logistic回归模型用于进行二分类任务,但它也可以通过一些技巧进行非线性分类。下面是一些常用的方法: 1. 特征转换:通过对输入特征进行非线性转换,可以使得Logistic回归模型能够处理非线性分类问题。常用的转换方法包括多项式特征扩展、指数函数、对数函数等。可以通过将原始特征进行组合或者应用非线性函数来引入非线性。 2. 核技巧(Kernel Trick):通过在Logistic回归模型中使用核函数,可以将输入特征映射到高维空间中,从而实现非线性分类。常用的核函数有多项式核函数、高斯核函数等,它们能够将低维非线性可分的数据映射到高维线性可分的空间。 3. 集成学习方法:可以将多个Logistic回归模型进行集成,例如使用bagging、boosting等方法。通过组合多个基础模型的预测结果,可以得到更好的非线性分类效果。 4. 神经网络方法:神经网络模型本身就能够处理非线性分类问题。你可以尝试使用基于神经网络的分类模型,如多层感知机(MLP)或卷积神经网络(CNN),这些模型在处理非线性分类问题上具有较强的能力。 需要注意的是,以上方法都是在Logistic回归模型的基础上进行的改进,通过引入非线性元素来实现非线性分类。这些方法可以根据具体问题选择并结合使用,以获得更好的分类效果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值