在 R 中绘制逻辑回归答案

【问题标题】：Plotting Logistic Regression in R在 R 中绘制逻辑回归
【发布时间】：2014-04-22 10:58:03
【问题描述】：

如何绘制逻辑回归？我想在 y 轴上绘制因变量，并在 x 上独立。我调用了系数并得到了输出，所以脚本上没有错误。

这是自变量 (SupPres) 的数据：

#Set the range for water supply pressure
SupPres <- c(20:120)
#Create a normal distribution for water supply pressure
SupPres <- rnorm(3000, mean=70, sd=25)

逻辑回归和创建 y 变量：

#Create logistic regression
z=1+2*NozHosUn+3*SupPres+4*PlaceSet+5*Hrs4+6*WatTemp
z <- (z-mean(z))/sd(z)
pr = 1/(1+exp(-z))
y <- rbinom(3000,1,pr)
DishWa=data.frame(y=y, NozHosUn=NozHosUn,SupPres=SupPres,
               PlaceSet=PlaceSet,Hrs4=Hrs4,WatTemp=WatTemp)
glm(y~NozHosUn+SupPres+PlaceSet+Hrs4+WatTemp, data=DishWa, 
    family=binomial)

如果我能提供更多信息，请告诉我。谢谢。

【问题讨论】：

标签： r regression data-visualization

【解决方案1】：

有几种方法可以绘制逻辑回归的结果。请参阅https://sites.google.com/site/daishizuka/toolkits/plotting-logistic-regression-in-r 和Plot two curves in logistic regression in R 以获取 R 中的解释和示例。

【讨论】：

你能把代码封装在这里让这个答案完整吗？

【解决方案2】：

在 Michael J. Crawley 的优秀著作“Statistics: an Introduction using R”中采纳建议的可能解决方案是以下代码：

attach(mtcars);
model <- glm(formula = am ~ hp + wt, family = binomial);
print(summary(model));
model.h <- glm(formula = am ~ hp, family = binomial);
model.w <- glm(formula = am ~ wt, family = binomial);
op <- par(mfrow = c(1,2));
xv <- seq(0, 350, 1);
yv <- predict(model.h, list(hp = xv), type = "response");
hp.intervals <- cut(hp, 3);
plot(hp, am);
lines(xv, yv);
points(hp,fitted(model.h),pch=20);
am.mean.proportion <- tapply(am, hp.intervals, sum)[[2]] / table(hp.intervals)[[2]];
am.mean.proportion.sd <- sqrt(am.mean.proportion * abs(tapply(am, hp.intervals, sum)[[3]] - tapply(am, hp.intervals, sum)[[1]]) / table(hp.intervals)[[2]]);
points(median(hp), am.mean.proportion, pch = 16);
lines(c(median(hp), median(hp)), c(am.mean.proportion - am.mean.proportion.sd, am.mean.proportion + am.mean.proportion.sd));
xv <- seq(0, 6, 0.01);
yv <- predict(model.w, list(wt = xv), type = "response");
wt.intervals <- cut(wt, 3);
plot(wt, am);
lines(xv, yv);
points(wt,fitted(model.w),pch=20);
am.mean.proportion <- tapply(am, wt.intervals, sum)[[2]] / table(wt.intervals)[[2]];
am.mean.proportion.sd <- sqrt(am.mean.proportion * abs(tapply(am, wt.intervals, sum)[[3]] - tapply(am, wt.intervals, sum)[[1]]) / table(wt.intervals)[[2]]);
points(median(wt), am.mean.proportion, pch = 16);
lines(c(median(wt), median(wt)), c(am.mean.proportion - am.mean.proportion.sd, am.mean.proportion + am.mean.proportion.sd));
detach(mtcars);
par(op);

除了标准的 glm 图，它还包含一个指标，用于指示中心三分之一与数据的拟合度。这表明对hp的拟合较差，而对wt的拟合较好。

该示例使用 R 的内置“汽车”数据集。

【讨论】：