Utworzyłem regresję logistyczną przy użyciu następującego kodu:
full.model.f = lm(Ft_45 ~ ., LOG_D)
base.model.f = lm(Ft_45 ~ IP_util_E2pl_m02_flg)
step(base.model.f, scope=list(upper=full.model.f, lower=~1),
direction="forward", trace=FALSE)
Następnie wykorzystałem dane wyjściowe do stworzenia ostatecznego modelu:
final.model.f = lm(Ft_45 ~ IP_util_E2pl_m02_flg + IP_util_E2_m02_flg +
AE_NumVisit1_flg + OP_NumVisit1_m01_flg + IP_TotLoS_m02 +
Ft1_45 + IP_util_E1_m05_flg + IP_TotPrNonElecLoS_m02 +
IP_util_E2pl_m03_flg + LTC_coding + OP_NumVisit0105_m03_flg +
OP_NumVisit11pl_m03_flg + AE_ArrAmb_m02_flg)
Następnie przewidziałem wyniki dla innego zestawu danych za pomocą funkcji przewidywania:
log.pred.f.v <- predict(final.model.f, newdata=LOG_V)
Byłem w stanie użyć ustalenia przyjemnej krzywej ROC i stworzyłem tabelę, aby ustalić czułość i swoistość, która daje mi odpowiedzi, których oczekiwałbym.
Jednak staram się ustalić dla każdego wiersza danych, jakie jest prawdopodobieństwo, że Ft_45 wynosi 1. Jeśli spojrzę na dane wyjściowe log.pred.fv, otrzymuję na przykład:
1 -0.171739593
2 -0.049905948
3 0.141146419
4 0.11615669
5 0.07342591
6 0.093054334
7 0.957164383
8 0.098415639
.
.
.
104 0.196368229
105 1.045208447
106 1.05499112
Ponieważ tylko niepewnie rozumiem, co robię, staram się zrozumieć, jak interpretować wartości ujemne i wyższe niż 1, ponieważ spodziewałbym się, że prawdopodobieństwo będzie wynosić od 0 do 1.
Więc moje pytanie brzmi: po prostu brakuje mi kroku, w którym muszę przekształcić dane wyjściowe, czy też całkowicie się pomyliłem. Z góry dziękuję za wszelką pomoc, którą możesz zaoferować.
źródło
probs <- exp(predict(logit, type = "response" , newdata=data)
co najmniej `probs <- 1 / (1 + exp (-pred))Patrząc na dokumentację
predict.glm
, wydaje się to tak proste, jak użycie dodatkowego parametru wpredict
wywołaniu:Zobacz dokumentację:
źródło