2020-10-28 LogisticRegression Exercise

最新推荐文章于 2024-10-08 14:29:19 发布
最新推荐文章于 2024-10-08 14:29:19 发布
阅读量326 收藏
点赞数
分类专栏： R 练习 文章标签： r语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_26120437/article/details/109347752
版权
R 同时被 2 个专栏收录
3 篇文章 0 订阅
订阅专栏
练习
3 篇文章 0 订阅
订阅专栏 
data = data[which(data$FY == '2014'),]
data$FQ <- NULL

我认为在这里我们只需要2014年的数据就足够了，并且财季对回归的建立没有帮助

我们先建立一个模型m0，在summary中我们可以看到各个factor的系数

m0 = glm(OnlineOrderFlag~Bikes+Clothing+Components+Accessories, data=data, 
         family=binomial(link='logit'))
summary(m0)

## 
## Call:
## glm(formula = OnlineOrderFlag ~ Bikes + Clothing + Components + 
##     Accessories, family = binomial(link = "logit"), data = data)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -3.5203   0.0639   0.0736   0.1408   0.5093  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)   3.5617     0.1605  22.191   <2e-16 ***
## Bikes        -1.3016     0.1373  -9.477   <2e-16 ***
## Clothing     -0.2829     0.1122  -2.521   0.0117 *  
## Components  -23.4698   327.5423  -0.072   0.9429    
## Accessories   2.6323     0.1366  19.266   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 10109  on 21461  degrees of freedom
## Residual deviance:  3121  on 21457  degrees of freedom
## AIC: 3131
## 
## Number of Fisher Scoring iterations: 18

注意小星标是significant level 的意思，Components没有小星标所以我们可以认为这个系数是极其不可靠的

所以接下来我们建立模型m1，不包含Componments

m1 = glm(OnlineOrderFlag~Bikes+Clothing+Accessories, data=data, 
         family=binomial(link='logit'))
summary(m1)

## 
## Call:
## glm(formula = OnlineOrderFlag ~ Bikes + Clothing + Accessories, 
##     family = binomial(link = "logit"), data = data)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -3.0767   0.1330   0.1915   0.3999   0.8769  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)  2.99548    0.08708   34.40   <2e-16 ***
## Bikes       -1.50410    0.07391  -20.35   <2e-16 ***
## Clothing    -0.73385    0.06301  -11.65   <2e-16 ***
## Accessories  1.72858    0.06326   27.32   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 10108.9  on 21461  degrees of freedom
## Residual deviance:  8160.8  on 21458  degrees of freedom
## AIC: 8168.8
## 
## Number of Fisher Scoring iterations: 6

新的模型AIC也更大了，good
现在我们得到了一个相对可靠的逻辑回归模型用于判断是否买自行车、附件及衣服对于用户最终选择线上下单还是去门店购买

到此为止关于Assignment所需要的内容就算完成了

接下来是 What else can we do 环节

  • 我们希望可以看到根据已有factors所得到的判断（是否线上购买）是什么，我们建立列class
m0.logodd = predict(m0, type="link")

m0.class  = as.numeric(m0.logodd>0)

data$class = m0.class
  • 我们希望可以看到with such factors 我们得到【选择线上购买】的概率是多少，我们建立列prob，取3位小数，单位为%
m0.prob   = predict(m0, type="response")
data$prob = round(m0.prob*100,3)

我们可以peek一下现在的data file长什么样

data[1:10,]
##        FY Bikes Clothing Components Accessories OnlineOrderFlag class   prob
## 9589 2014     0        0          0           1               1     1 99.796
## 9590 2014     1        0          0           0               1     1 90.552
## 9591 2014     1        0          1           0               0     0  0.000
## 9592 2014     1        0          0           1               1     1 99.255
## 9593 2014     0        1          0           1               1     1 99.730
## 9594 2014     1        1          0           1               1     1 99.014
## 9595 2014     1        1          0           0               1     1 87.839
## 9596 2014     0        1          0           1               1     1 99.730
## 9597 2014     1        0          0           1               1     1 99.255
## 9598 2014     0        0          0           1               1     1 99.796

							要注意是[1:10,]有个逗号，不然会报错

接下来我们也许会想看看在各个情况下得到的class 和 prob分别是什么

我们引入package 【tidyverse】， 使用函数filter，并同上peek前十行

library(tidyverse)
q = data %>% filter(Bikes == 0, Clothing == 0, Components == 0, Accessories == 0)
q[1:10,]
##      FY Bikes Clothing Components Accessories OnlineOrderFlag class prob
## NA   NA    NA       NA         NA          NA              NA    NA   NA
## NA.1 NA    NA       NA         NA          NA              NA    NA   NA
## NA.2 NA    NA       NA         NA          NA              NA    NA   NA
## NA.3 NA    NA       NA         NA          NA              NA    NA   NA
## NA.4 NA    NA       NA         NA          NA              NA    NA   NA
## NA.5 NA    NA       NA         NA          NA              NA    NA   NA
## NA.6 NA    NA       NA         NA          NA              NA    NA   NA
## NA.7 NA    NA       NA         NA          NA              NA    NA   NA
## NA.8 NA    NA       NA         NA          NA              NA    NA   NA
## NA.9 NA    NA       NA         NA          NA              NA    NA   NA
e = data %>% filter(Bikes == 0, Clothing == 0, Components == 0, Accessories == 1)
e[1:10,]
##      FY Bikes Clothing Components Accessories OnlineOrderFlag class   prob
## 1  2014     0        0          0           1               1     1 99.796
## 2  2014     0        0          0           1               1     1 99.796
## 3  2014     0        0          0           1               1     1 99.796
## 4  2014     0        0          0           1               1     1 99.796
## 5  2014     0        0          0           1               1     1 99.796
## 6  2014     0        0          0           1               1     1 99.796
## 7  2014     0        0          0           1               1     1 99.796
## 8  2014     0        0          0           1               1     1 99.796
## 9  2014     0        0          0           1               1     1 99.796
## 10 2014     0        0          0           1               1     1 99.796
r = data %>% filter(Bikes == 1, Clothing == 1, Accessories == 1, OnlineOrderFlag == 0)
r[1:10,]
##      FY Bikes Clothing Components Accessories OnlineOrderFlag class prob
## 1  2014     1        1          1           1               0     0    0
## 2  2014     1        1          1           1               0     0    0
## 3  2014     1        1          1           1               0     0    0
## 4  2014     1        1          1           1               0     0    0
## 5  2014     1        1          1           1               0     0    0
## 6  2014     1        1          1           1               0     0    0
## 7  2014     1        1          1           1               0     0    0
## 8  2014     1        1          1           1               0     0    0
## 9  2014     1        1          1           1               0     0    0
## 10 2014     1        1          1           1               0     0    0
t = data %>% filter(Bikes == 1, Clothing == 1, Accessories == 1, OnlineOrderFlag == 1)
t[1:10,]
##      FY Bikes Clothing Components Accessories OnlineOrderFlag class   prob
## 1  2014     1        1          0           1               1     1 99.014
## 2  2014     1        1          0           1               1     1 99.014
## 3  2014     1        1          0           1               1     1 99.014
## 4  2014     1        1          0           1               1     1 99.014
## 5  2014     1        1          0           1               1     1 99.014
## 6  2014     1        1          0           1               1     1 99.014
## 7  2014     1        1          0           1               1     1 99.014
## 8  2014     1        1          0           1               1     1 99.014
## 9  2014     1        1          0           1               1     1 99.014
## 10 2014     1        1          0           1               1     1 99.014

可能会好奇被我们删掉的Components到底是个什么情况，我们把Components单拎出来，分Components为1和为0两个单独看

check1 = data %>% filter(Components == 1)
summary(check1)
##        FY           Bikes           Clothing        Components  Accessories    
##  Min.   :2014   Min.   :0.0000   Min.   :0.0000   Min.   :1    Min.   :0.0000  
##  1st Qu.:2014   1st Qu.:1.0000   1st Qu.:0.0000   1st Qu.:1    1st Qu.:0.0000  
##  Median :2014   Median :1.0000   Median :1.0000   Median :1    Median :0.0000  
##  Mean   :2014   Mean   :0.8107   Mean   :0.6341   Mean   :1    Mean   :0.4038  
##  3rd Qu.:2014   3rd Qu.:1.0000   3rd Qu.:1.0000   3rd Qu.:1    3rd Qu.:1.0000  
##  Max.   :2014   Max.   :1.0000   Max.   :1.0000   Max.   :1    Max.   :1.0000  
##  OnlineOrderFlag     class        prob  
##  Min.   :0       Min.   :0   Min.   :0  
##  1st Qu.:0       1st Qu.:0   1st Qu.:0  
##  Median :0       Median :0   Median :0  
##  Mean   :0       Mean   :0   Mean   :0  
##  3rd Qu.:0       3rd Qu.:0   3rd Qu.:0  
##  Max.   :0       Max.   :0   Max.   :0
check1[1:10,]
##      FY Bikes Clothing Components Accessories OnlineOrderFlag class prob
## 1  2014     1        0          1           0               0     0    0
## 2  2014     1        1          1           1               0     0    0
## 3  2014     1        1          1           1               0     0    0
## 4  2014     1        1          1           1               0     0    0
## 5  2014     1        0          1           0               0     0    0
## 6  2014     1        1          1           1               0     0    0
## 7  2014     1        1          1           0               0     0    0
## 8  2014     1        1          1           1               0     0    0
## 9  2014     0        1          1           1               0     0    0
## 10 2014     0        0          1           0               0     0    0
check0 = data %>% filter(Components == 0)
summary(check0)
##        FY           Bikes          Clothing        Components  Accessories    
##  Min.   :2014   Min.   :0.000   Min.   :0.0000   Min.   :0    Min.   :0.0000  
##  1st Qu.:2014   1st Qu.:0.000   1st Qu.:0.0000   1st Qu.:0    1st Qu.:1.0000  
##  Median :2014   Median :0.000   Median :0.0000   Median :0    Median :1.0000  
##  Mean   :2014   Mean   :0.443   Mean   :0.3419   Mean   :0    Mean   :0.8066  
##  3rd Qu.:2014   3rd Qu.:1.000   3rd Qu.:1.0000   3rd Qu.:0    3rd Qu.:1.0000  
##  Max.   :2014   Max.   :1.000   Max.   :1.0000   Max.   :0    Max.   :1.0000  
##  OnlineOrderFlag      class        prob      
##  Min.   :0.0000   Min.   :1   Min.   :87.84  
##  1st Qu.:1.0000   1st Qu.:1   1st Qu.:99.01  
##  Median :1.0000   Median :1   Median :99.25  
##  Mean   :0.9803   Mean   :1   Mean   :98.03  
##  3rd Qu.:1.0000   3rd Qu.:1   3rd Qu.:99.80  
##  Max.   :1.0000   Max.   :1   Max.   :99.80
check0[1:10,]
##      FY Bikes Clothing Components Accessories OnlineOrderFlag class   prob
## 1  2014     0        0          0           1               1     1 99.796
## 2  2014     1        0          0           0               1     1 90.552
## 3  2014     1        0          0           1               1     1 99.255
## 4  2014     0        1          0           1               1     1 99.730
## 5  2014     1        1          0           1               1     1 99.014
## 6  2014     1        1          0           0               1     1 87.839
## 7  2014     0        1          0           1               1     1 99.730
## 8  2014     1        0          0           1               1     1 99.255
## 9  2014     0        0          0           1               1     1 99.796
## 10 2014     0        0          0           1               1     1 99.796

懒得看了，大概就是这意思吧

html版连接点这

AetherTL
关注
专栏目录
【NNDL】logistic_regression-exercise学习自留
qq_45815874的博客
03-14 644
自学使用，仅供参考
吴恩达2017深度学习作业-c1w2-Logistic Regression with a Neural Network mindset
qq_37791134的博客
05-25 391
Welcome to your first (required) programming assignment! You will build a logistic regression classifier to recognize cats. This assignment will step you through how to do this with a Neural Network m...
Deep learning：四(logistic regression练习)
weixin_33943836的博客
03-16 131
  　　前言： 　　本节来练习下logistic regression相关内容，参考的资料为网页：http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?course=DeepLearning&amp;doc=exercises/ex4/ex4.html。这里给出的训练样本的特征为80个学生的两门功课的分数，样本值为对应的同学...
[Exercise 3] Logistic Regression and Newton's Method
码上的生活
07-15 1110
这个练习将通过牛顿方法来实现逻辑回归分类。Dataex4Data.zip这里给出的训练样本的特征为80个学生的两门功课的分数. 样本值为对应的同学是否允许被上大学，如果是允许的话则用’1’表示，否则不允许就用’0’表示。 学生成绩由Test1的成绩 和Test2 的成绩组成。 我们关注的是 θ\theta怎样获得，多少次迭代后能收敛 预测学生成绩是[20 80] 是否被允许 可视化我们的初始数据
机器学习作业 之 logistic regression（programming exercise week 3 ）
午夜飞行
11-23 966
1 plotDtae pos = find(y==1);neg =find(y == 0); 15 h1=plot(X(pos,1),X(pos,2),'*','MarkerFaceColor','b'); 16 h2=plot(X(neg,1),X(neg,2),'o','MarkerfaceColor','r'); 2 sigmoid
斯坦福大学-Logistic回归_Exercise Code
一米阳光
04-13 1302
Logistic回归和牛顿法  Logistic Regression and Newton's Method
python 牛顿法实现逻辑回归（Logistic Regression）
12-16
class LogisticRegression(object): """ Logistic Regression Classifier training by Newton Method """ def __init__(self, error: float = 0.7, max_epoch: int = 100): """ :param error: float, if the ...
吴恩达 深度学习 编程作业（1-2）- Python Basics with Numpy & Logistic Regression with a Neural Network mindset
热门推荐
大树先生的博客
09-21 7万+
Part 1：Python Basics with Numpy (optional assignment) Part 2： Logistic Regression with a Neural Network mindset
Stanford机器学习课程笔记1-Linear Regression与Logistic Regression
xiahouzuoxin
04-09 8303
转载请注明出处: http://xiahouzuoxin.github.io/notes/课程计划Linear Regression与预测问题Locally Weighted Linear RegressionLogistic Regression与分类问题Stanford机器学习课程的主页是： http://cs229.stanford.edu/课程计划主讲人Andrew Ng是机器学习界的大牛
吴恩达机器学习作业（二）实现：logistic回归
据说大佬都喜欢黑色！
08-25 965
对于这一类分类问题： 拿到数据先将它绘制出来，看数据在图片的分布，如果明显是两极化的，就用普通的逻辑回归， 比如下图： 如果数据的分布比较特别，就加入正则化，所谓正则化就是加入惩罚项，使得结果不容易过度拟合，所以两者只有代价函数不一样 比如下图： 当然还有更高级的回归算法，这是比较常用且简单的算法 1.1 plotData.m 这个函数是用来绘制数据的 function plotData(X,...
机器学习（4）——logistic regression
adminabcd的专栏
07-24 1201
【一、逻辑回归模型】逻辑回归不同于线性回归，它实际上一种分类方法，用于二分类问题（y=0或者1）。逻辑回归模型如下： 即当>=0.5时，预测输出值y=1；否则预测输出值y=0；且有： 【二、决策边界】所谓Decision Boundary就是能够将所有数据点进行很好地分类的h(x)边界。 【例1】 由图可知： 对应的线性回归模型为： 决策边界为粉色直线： 【例2】
Coursera-吴恩达-机器学习-（编程练习2）Logistic Regression（对应第3周课程）
malele4th
01-14 3414
此系列为 Coursera 网站Andrew Ng机器学习课程个人学习笔记（仅供参考） 课程网址：https://www.coursera.org/learn/machine-learning exercise 2 —— Logistic Regression 目录 exercise 2 Logistic Regression 目录 作业介绍 1-1 逻辑回归练习 1-1-
logistic_regression
qq_30534935的博客
04-23 151
来源：https://github.com/aymericdamien/TensorFlow-Examples ''' A logistic regression learning algorithm example using TensorFlow library. This example is using the MNIST database of handwritten digits (h...
斯坦福大学机器学习公开课---Programming Exercise 2: Logistic Regression
蓝e的专栏
02-03 5660
斯坦福大学机器学习公开课：Programming Exercise 2: Logistic Regression---Matlab实现 1 Logistic Regression In this part of the exercise, you will build a logistic regression model to predict whether astudent gets
机器学习(Machine Learning)心得体会(2)逻辑回归Exercise 2:Logistic Regression
zongzongzong2015的博客
12-18 1764
本文是观看斯坦福大学吴恩达老师的机器学习视频后的一些心得体会和总结，以及作业题中的关键代码，大家可以共同讨论进步。     之前的线形回归是对结果为连续量的数据集做出一个拟合，比如拟合出一条直线，而逻辑回归是要对结果为离散量的数据集能够产生一个预测机制，比如输出为0或者1，这就是一个离散量的输出，不管输入何值，输出必然是0或者是1，所以，逻辑回归要做的事情就是预测结果是0还是1，进一步说，就是做
Logistic Regression
happiness的专栏
06-05 1960
声明：本博客内容参考了网上的代码，若有处理的不当的地方请指正！ 1.problem:     In this part of the exercise, you will build a logistic regression model to predict whether a student gets admitted into a university. Suppose tha
StarRocks 中如何做到查询超时(QueryTimeout)
monkeyboy_tech的博客
10-01 552
通过本文的分析大致可以了解到在Starrocks的FE端是如何进行Command的交互以及数据流走向，其他的命令也是可以举一反三。和Spark以及hive等但是解析一样，StarRocks也是采用的Anltr4进行语法的解析，对应的java数据结构，但是一条SQL从客户端发送过来，是怎么一个数据流呢？操作的时候，就会根据执行的长短进行超时处理了。整体的数据流就结束了，待在同一个连接中进行。获取设置的超时时间，如果超时，则调用。中了，后续的流程和之前的一致。这种情况的解析，是通过。就会在语法层面解析为。
python和r语言的区别是什么
hakesashou的博客
10-01 709
在进行探索性统计分析时，R胜出。Python作为一个完整而强大的编程语言，是部署用于生产使用的算法的有力工具。Python最初在数据分析方面不是特别擅长，但随着NumPy、Pandas以及其他扩展库的推出，它已经逐渐在数据分析领域获得了广泛的应用。在从事数据分析行业中，我们都会从R与Python当中进行选择，但是，从这两个异常强大、灵活好用的数据分析语中选择，却是非常难以选择的。R和Python之间有很强的关联，并且这两种语言日益普及，很难说选对其一，事实上日常用户和数据科学家可以同时利用这两种语言。
Starrocks 元数据恢复 failed to load journal type 10242
最新发布
qq_15138049的博客
10-08 227
Starrocks 元数据恢复
林轩田机器学习技法：连接Soft-Margin SVM与Kernel Logistic Regression
在林轩田的《机器学习技法》课程笔记中，第五节着重探讨了Kernel Logistic Regression与Soft-Margin Support Vector Machines (SVM)的关系。在第一节课中，已经提及了Hard-Margin SVM与正则化模型之间的关联，正则化...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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