多元logit模型实例_【2030.】多元回归中交互作用的评价

6e8a666f0575dea726cd563e57e39212.png

交互作用的概念 简单地说,交互作用指当两个因素都存在时,它们的作用大于或小于各自作用的和(大于的情况就是我们常说的协同,小于的情况就是我们常说的拮抗)。 交互作用的理解看上去很简单,但需要注意的是交互作用的评价与作用的测量方法有关,也就是与结局变量的类型有关。一般结局变量有定量变量、定性变量两种情况。 下面分别举例说明: 情况1、结局变量为定量变量 13e7d774d665b420f19b880193a2c2dd.png e4a272935f23cd88b036f59ee4056354.png 以吸烟(smoke)和饮酒(alcohol)对收缩压(SBP)的影响为例。一般大家都是建立以下多元线性回归模型:SBP=β0+β1*alcohol+β2*smoke
  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
这段代码主要用于对输入数据进行三种不同的模型拟合,然后计算模型系数并进行比较和分析。具体每行代码的含义如下: ``` python linear_fit = LinearRegression().fit(x, y) ``` 使用线性回归模型对输入数据 x 和 y 进行拟合,并将拟合结果保存在 linear_fit 变量。 ``` python logit_fit = LogisticRegression().fit(x, y.ravel()) ``` 使用逻辑回归模型对输入数据 x 和 y 进行拟合,并将拟合结果保存在 logit_fit 变量。需要注意的是,这里将 y 转换为一维数组,以满足逻辑回归模型的输入要求。 ``` python prob_fit = GaussianNB().fit(x, y.ravel()) ``` 使用高斯朴素贝叶斯模型对输入数据 x 和 y 进行拟合,并将拟合结果保存在 prob_fit 变量。同样需要将 y 转换为一维数组。 ``` python coef_mat = np.column_stack((prob_fit.theta.T, logit_fit.coef_, linear_fit.coef_)) ``` 将三种模型的系数按列方向拼接成一个矩阵 coef_mat,并将其保存在变量。其,prob_fit.theta.T 表示高斯朴素贝叶斯模型的均值向量,logit_fit.coef_ 表示逻辑回归模型的系数向量,linear_fit.coef_ 表示线性回归模型的系数向量。 ``` python print(coef_mat) ``` 输出拼接后的系数矩阵 coef_mat,用于查看模型系数的取值。 ``` python prop_mat = np.column_stack((prob_fit.theta_.T / logit_fit.coef_, prob_fit.theta_.T / linear_fit.coef_, logit_fit.coef_ / linear_fit.coef_)) ``` 计算三种模型系数之间的比例,并将比例矩阵 prop_mat 保存在变量。其,prob_fit.theta_.T 表示高斯朴素贝叶斯模型的方差向量,用于计算与其他模型系数的比例。 这段代码主要用于分析和比较三种不同的模型在给定数据上的表现,并通过系数比例来进一步分析模型的特点和差异。

“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