[問題] glm跑logistic
[問題類型]:
程式諮詢(我想用R 做某件事情,但是我不知道要怎麼用R 寫出來)
[軟體熟悉度]:
入門(寫過其他程式,只是對語法不熟悉)
[問題敘述]:當我使用glm套件中邏輯式迴歸(y為二元變數"binomial")時
modle <-glm(model1, family = "binomial" ,data = train )
跑出警告訊息
Warning messages:
1: glm.fit: algorithm did not converge
2: glm.fit: fitted probabilities numerically 0 or 1 occurred
上網搜尋了一下解法... 得出 https://goo.gl/aNHEtU
1.用 bayesglm 在arm這個套件
modle <-bayesglm(model1, family = "binomial" ,data = train )
2.用 glmnet套件
modle1 <-glmnet(x=as.matrix(train[,-c(1,26)]) ,y=train[,1] ,family =
"binomial" )
兩個作法都可以跑,也可以預測,但是想知道原先glm的錯誤原因是什麼
train跟test資料應該都沒問題 y是二元的數值型態 x有連續也有二元都是數值型態
另外在glmnet預測中 s這個值不填的話欄位很奇怪,看解釋是指懲罰參數,但我原先的
logistic沒有lamba參數阿..
glm_result <-predict(modle1, s=0.01, as.matrix(test[, -c(1,26)]),
type="response")
這些問題可能是我方法論不熟悉,但請有使用過這些套件的前輩們提點一下
謝謝~
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 140.116.86.113
※ 文章網址: https://www.ptt.cc/bbs/R_Language/M.1493139483.A.5BF.html
→
04/26 00:59, , 1F
04/26 00:59, 1F
→
04/26 00:59, , 2F
04/26 00:59, 2F
→
04/26 01:49, , 3F
04/26 01:49, 3F
→
04/26 01:50, , 4F
04/26 01:50, 4F
→
04/26 01:52, , 5F
04/26 01:52, 5F
→
04/26 02:22, , 6F
04/26 02:22, 6F
→
04/26 02:22, , 7F
04/26 02:22, 7F
※ 編輯: pk790127 (61.227.242.178), 04/26/2017 02:35:04
→
04/26 11:38, , 8F
04/26 11:38, 8F
→
04/26 11:39, , 9F
04/26 11:39, 9F
謝謝~ 我知道glmnet是lasso的套件,所以我把lambda設為0當作一般2元迴歸使用
另外我也有去看舊文所提到的高相關,我做了VIF確定有沒有共線性(均<10)
總結來說如果互略那個warning做的glm預測率是95%;另外使用glmnet(lambda=0)預測率
也是95%... 至於那個bayesglm我只知道是事後機率的概念...可能還要研究一下
※ 編輯: pk790127 (140.116.86.113), 04/26/2017 13:21:03
→
04/26 16:37, , 10F
04/26 16:37, 10F
→
04/26 17:32, , 11F
04/26 17:32, 11F
→
04/26 17:32, , 12F
04/26 17:32, 12F
推
04/27 04:07, , 13F
04/27 04:07, 13F
推
04/27 04:14, , 14F
04/27 04:14, 14F
→
04/27 04:15, , 15F
04/27 04:15, 15F
→
04/27 07:12, , 16F
04/27 07:12, 16F
推
04/27 14:29, , 17F
04/27 14:29, 17F
→
04/27 14:30, , 18F
04/27 14:30, 18F
→
04/27 14:30, , 19F
04/27 14:30, 19F
推
04/27 14:38, , 20F
04/27 14:38, 20F
推
04/27 16:52, , 21F
04/27 16:52, 21F
→
04/27 16:52, , 22F
04/27 16:52, 22F
→
04/27 16:53, , 23F
04/27 16:53, 23F
→
04/27 16:53, , 24F
04/27 16:53, 24F
→
04/27 16:54, , 25F
04/27 16:54, 25F
→
04/27 16:54, , 26F
04/27 16:54, 26F
→
04/27 16:54, , 27F
04/27 16:54, 27F
→
04/27 16:55, , 28F
04/27 16:55, 28F
→
04/27 16:55, , 29F
04/27 16:55, 29F
→
04/28 01:09, , 30F
04/28 01:09, 30F