R语言逻辑回归Logisitc逐步回归训练与验证样本估计分析心脏病数据参数可视化
原文链接:http://tecdat.cn/?p=26932
在进行交叉验证之前,很自然地说“我会预烧 50%(比如说)我的数据来训练一个模型,然后用剩下的来拟合模型”。例如,我们可以使用训练数据进行变量选择(例如,在逻辑回归中使用一些逐步过程),然后,一旦选择了变量,就将模型拟合到剩余的观察集上。一个自然的问题通常是“这真的重要吗?”。
为了可视化这个问题,考虑我的(简单)数据集
使用心脏病数据,预测急诊病人的心肌梗死,包含变量:
- 心脏指数
- 心搏量指数
- 舒张压
- 肺动脉压
- 心室压力
- 肺阻力
- 是否存活
M=matrix(NA,100,ncol(MODE))
for(i in 1:100){
reg=step(glm(PRO=="CS"~.,dataYE\[idx,\]))
然后,对于 7 个协变量(和常数),我们可以查看拟合在训练样本上的模型中的系数值,以及拟合在验证样本上的模型上的值
idx=which(!is.na(M\[,j\]))
plot(M\[idx,j\],M2\[idx,j\])
abline
segments
例如,对于截距,我们有以下
文章图片
其中水平段是模型上拟合在训练样本上的参数的置信区间,垂直段是验证样本上的置信区间。蓝色部分表示某种一致性,而红色部分表示实际上,一个模型的系数为负,另一个模型为正。
我们还可以可视化两个估计量的联合分布,
for(j in 1:8){fa = kde(x=Z, H=H)
image(fat$eots\[\[1\]\],
在这里,几乎在对角线上,
文章图片
这意味着两个样本的截距(或多或少)相同。然后我们可以查看其他参数。
文章图片
在该变量上,它似乎在训练数据集上很显著(不知何故,这与它在逐步过程之后保留在模型中的事实一致)但在验证样本上不显著(或几乎不显著)。
其他的则更加一致(有一些可能的异常值)
文章图片
文章图片
文章图片
文章图片
文章图片
文章图片
在下一个问题上,我们在训练样本上又有显著性,但在验证样本上没有。
文章图片
文章图片
文章图片
文章图片
可能更有趣:
文章图片
文章图片
两者非常一致。
最受欢迎的见解
1.R语言多元Logistic逻辑回归 应用案例
2.面板平滑转移回归(PSTR)分析案例实现分析案例实现")
3.matlab中的偏最小二乘回归(PLSR)和主成分回归(PCR)
4.R语言泊松Poisson回归模型分析案例
5.R语言混合效应逻辑回归Logistic模型分析肺癌
6.r语言中对LASSO回归,Ridge岭回归和Elastic Net模型实现
7.R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病
8.python用线性回归预测股票价格
【R语言逻辑回归Logisitc逐步回归训练与验证样本估计分析心脏病数据参数可视化】9.R语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测
推荐阅读
- 沟通新范式|混合办公趋势下,腾讯会议的生长逻辑 | 钛度专访
- Go语言实现控制台输入&生成随机数详解
- 详解Go语言中io/ioutil工具的使用
- 如何在WordPress Astra主题中获得多语言页脚文本()
- C语言进阶付费知识
- 75道程序员面试逻辑思维题
- [C语言] strlenstrcmp时间戳
- JS语言在HarmonyOS应用开发框架中的作用
- 循环神经网络LSTM RNN回归(sin曲线预测)
- 更改网站默认语言(WordPress)