«logit» 태그된 질문

일반적으로 로지스틱 함수, 가장 일반적으로 다양한 형태의 로지스틱 회귀를 사용하는 통계 절차를 나타냅니다.

5
머신 러닝에서 계층 적 / 중첩 된 데이터를 처리하는 방법
예를 들어 내 문제를 설명하겠습니다. {나이, 성별, 국가, 지역, 도시}와 같은 속성이 주어진 개인의 소득을 예측한다고 가정합니다. 당신은 이와 같은 훈련 데이터 세트를 가지고 있습니다 train <- data.frame(CountryID=c(1,1,1,1, 2,2,2,2, 3,3,3,3), RegionID=c(1,1,1,2, 3,3,4,4, 5,5,5,5), CityID=c(1,1,2,3, 4,5,6,6, 7,7,7,8), Age=c(23,48,62,63, 25,41,45,19, 37,41,31,50), Gender=factor(c("M","F","M","F", "M","F","M","F", "F","F","F","M")), Income=c(31,42,71,65, 50,51,101,38, 47,50,55,23)) train CountryID RegionID CityID Age …
29 regression  machine-learning  multilevel-analysis  correlation  dataset  spatial  paired-comparisons  cross-correlation  clustering  aic  bic  dependent-variable  k-means  mean  standard-error  measurement-error  errors-in-variables  regression  multiple-regression  pca  linear-model  dimensionality-reduction  machine-learning  neural-networks  deep-learning  conv-neural-network  computer-vision  clustering  spss  r  weighted-data  wilcoxon-signed-rank  bayesian  hierarchical-bayesian  bugs  stan  distributions  categorical-data  variance  ecology  r  survival  regression  r-squared  descriptive-statistics  cross-section  maximum-likelihood  factor-analysis  likert  r  multiple-imputation  propensity-scores  distributions  t-test  logit  probit  z-test  confidence-interval  poisson-distribution  deep-learning  conv-neural-network  residual-networks  r  survey  wilcoxon-mann-whitney  ranking  kruskal-wallis  bias  loss-functions  frequentist  decision-theory  risk  machine-learning  distributions  normal-distribution  multivariate-analysis  inference  dataset  factor-analysis  survey  multilevel-analysis  clinical-trials 
2
로짓 값은 실제로 무엇을 의미합니까?
많은 경우 0과 1 사이의 숫자로 구성된 로짓 모델이 있지만 어떻게 해석 할 수 있습니까? 0.20의 로짓으로 사건을 처리 할 수 ​​있습니다 사례가 그룹 B와 그룹 A에 속할 확률이 20 %라고 주장 할 수 있습니까? 로짓 값을 해석하는 올바른 방법입니까?
3
R에서 다항 로짓 모형을 설정하고 추정하는 방법?
JMP에서 다항 로짓 모델을 실행하고 각 매개 변수 추정치에 대한 카이 제곱 p- 값과 AIC를 포함하는 결과를 얻었습니다. 이 모델에는 하나의 범주 형 결과와 7 개의 범주 형 설명 변수가 있습니다. 그런 다음 nnet 패키지 의 multinom함수를 사용하여 R에서 동일한 모델을 만들 것이라고 생각한 것을 맞았습니다 . 코드는 기본적으로 다음과 …
20 r  logistic  multinomial  logit  jmp 
4
엣지 케이스의 정밀도 및 리콜에 대한 올바른 값은 무엇입니까?
정밀도는 다음과 같이 정의됩니다. p = true positives / (true positives + false positives) 로, 즉를 정확 true positives하고 false positives, 정밀도가 한 접근 방식 0? 리콜에 대한 동일한 질문 : r = true positives / (true positives + false negatives) 현재이 값을 계산 해야하는 통계 테스트를 구현 중이며 때로는 …
20 precision-recall  data-visualization  logarithm  references  r  networks  data-visualization  standard-deviation  probability  binomial  negative-binomial  r  categorical-data  aggregation  plyr  survival  python  regression  r  t-test  bayesian  logistic  data-transformation  confidence-interval  t-test  interpretation  distributions  data-visualization  pca  genetics  r  finance  maximum  probability  standard-deviation  probability  r  information-theory  references  computational-statistics  computing  references  engineering-statistics  t-test  hypothesis-testing  independence  definition  r  censoring  negative-binomial  poisson-distribution  variance  mixed-model  correlation  intraclass-correlation  aggregation  interpretation  effect-size  hypothesis-testing  goodness-of-fit  normality-assumption  small-sample  distributions  regression  normality-assumption  t-test  anova  confidence-interval  z-statistic  finance  hypothesis-testing  mean  model-selection  information-geometry  bayesian  frequentist  terminology  type-i-and-ii-errors  cross-validation  smoothing  splines  data-transformation  normality-assumption  variance-stabilizing  r  spss  stata  python  correlation  logistic  logit  link-function  regression  predictor  pca  factor-analysis  r  bayesian  maximum-likelihood  mcmc  conditional-probability  statistical-significance  chi-squared  proportion  estimation  error  shrinkage  application  steins-phenomenon 
2
로지스틱 회귀 분석에서 계수를 해석하는 방법은 무엇입니까?
다음과 같은 확률 함수가 있습니다. Prob=11+e−zProb=11+e−z\text{Prob} = \frac{1}{1 + e^{-z}} 어디 z=B0+B1X1+⋯+BnXn.z=B0+B1X1+⋯+BnXn.z = B_0 + B_1X_1 + \dots + B_nX_n. 내 모델은 다음과 같습니다 Pr(Y=1)=11+exp(−[−3.92+0.014×(gender)])Pr(Y=1)=11+exp⁡(−[−3.92+0.014×(gender)])\Pr(Y=1) = \frac{1}{1 + \exp\left(-[-3.92 + 0.014\times(\text{gender})]\right)} 절편 (3.92)의 의미를 이해하지만 이제 0.014를 해석하는 방법을 확신합니다. 이것들이 여전히 확률, 홀수 비율을 기록하고 있습니까, 아니면 이제 각각의 …
3
R의 glm 함수에 어떤 최적화 알고리즘이 사용됩니까?
이러한 코드를 사용하여 R에서 로짓 회귀를 수행 할 수 있습니다. > library(MASS) > data(menarche) > glm.out = glm(cbind(Menarche, Total-Menarche) ~ Age, + family=binomial(logit), data=menarche) > coefficients(glm.out) (Intercept) Age -21.226395 1.631968 최적화 알고리즘이 수렴 된 것처럼 보입니다. 피셔 스코어링 알고리즘의 단계 수에 대한 정보가 있습니다. Call: glm(formula = cbind(Menarche, Total - …
1
정렬 된 로지스틱 회귀 분석에서 음의 계수
우리는 순서 응답이 가정 변수의 집합 X : = [ X 1 , X 2 , X 3 ] 우리가 생각하는 것을 설명 할 것이다 Y를 . 그런 다음 y 에 대해 X (디자인 행렬) 의 순서화 된 로지스틱 회귀 분석을 수행합니다.y:{Bad, Neutral, Good}→{1,2,3}y:{Bad, Neutral, Good}→{1,2,3}y:\{\text{Bad, Neutral, Good}\} \rightarrow \{1,2,3\}X:=[x1,x2,x3]X:=[x1,x2,x3]X:=[x_1,x_2,x_3]yyyXXXyyy …
2
로지스틱 회귀 분석에 대한 신뢰 구간 계산
이항 로지스틱 회귀 분석을 사용 하여 사용자가 무언가를 클릭 할 가능성에 노출 has_x되거나 has_y영향을 미치는지 식별합니다 . 내 모델은 다음과 같습니다. fit = glm(formula = has_clicked ~ has_x + has_y, data=df, family = binomial()) 이것은 내 모델의 출력입니다. Call: glm(formula = has_clicked ~ has_x + has_y, family = binomial(), data …
2
베타 회귀 분석에서 로짓 링크를 사용하는 이유는 무엇입니까?
최근에 저는 베타 회귀 모델을 구현하는 데 관심이있었습니다. 이 결과에는 이산적인 "성공"이라는 의미있는 개념이 없기 때문에이 결과는 이항 적 맥락에 맞지 않을 것입니다. 실제로 결과는 실제로 기간의 비율입니다. 분자는 초 수이며 특정 조건은 조건이 활성화 될 수있는 총 시간 (초) 동안 활성화됩니다. 나는 vagaries에 대해 사과하지만이 정확한 맥락에 너무 집중하고 …
1
GBM 패키지와 GBM을 사용하는 Caret
을 사용하여 모델 튜닝을 수행 caret했지만 gbm패키지를 사용하여 모델을 다시 실행했습니다 . caret패키지가 사용 gbm하고 출력이 동일해야한다는 것을 이해합니다 . 그러나 data(iris)RMSE와 R ^ 2를 평가 지표로 사용하면 약 5 %의 모델에서 불일치가 발생합니다. 부분 종속성 플롯을 사용 하기 위해 최적의 모델 성능을 찾고 caret싶지만 다시 실행 하고 싶습니다 gbm. …
1
파이썬에서 순서 형 로지스틱 회귀
세 가지 수준과 설명 요소가있는 반응 변수에 대해 파이썬에서 순서 형 로지스틱 회귀를 실행하고 싶습니다. 이 statsmodels패키지는 이진 로짓 및 다항 로짓 (MNLogit) 모델을 지원하지만 순서가 지정된로 짓은 지원하지 않습니다. 기본 수학이 다르지 않기 때문에 이것을 사용하여 쉽게 구현할 수 있는지 궁금합니다. (또는 작동하는 다른 Python 패키지도 높이 평가됩니다.)
당사 사이트를 사용함과 동시에 당사의 쿠키 정책과 개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.