Clementine、ロジスティック回帰 そのⅠ [データサイエンス、統計モデル]
logistic(ロジスティック)モデルとは、
Clementine(クレメンタイン)でロジスティック回帰ノードを使う前に、Rで簡単に実験してみる。
--------------------------------------------------
x.min = 0.0
x.max = 10.0
beta0 <- -4.2
beta1 <- 0.7
x <- seq(x.min, x.max, 0.1)
p <- 1 / (1 + exp(-beta0 - beta1 * x))
y <- rbinom(length(p), 1, prob = p)
logistic <- glm(y ~ 1 + x, family = binomial(logit))
summary(logistic)
を実行すると、
--------------------------------------------------
ちなみに、x やら p やら y ってのは、この様にデータが入っている。
やっていることを順番に説明すると、
1. p(x) のベクトルを作成
x.min = 0.0
x.max = 10.0
beta0 <- -4.2
beta1 <- 0.7
x <- seq(x.min, x.max, 0.1)
p <- 1 / (1 + exp(-beta0 - beta1 * x))
2. p(x)から乱数を作成
y <- rbinom(length(p), 1, prob = p)
3. glm()関数で推定
logistic <- glm(y ~ 1 + x, family = binomial(logit))
summary(logistic)
となる。
Clementine(クレメンタイン)でロジスティック回帰ノードを使う前に、Rで簡単に実験してみる。
--------------------------------------------------
x.min = 0.0
x.max = 10.0
beta0 <- -4.2
beta1 <- 0.7
x <- seq(x.min, x.max, 0.1)
p <- 1 / (1 + exp(-beta0 - beta1 * x))
y <- rbinom(length(p), 1, prob = p)
logistic <- glm(y ~ 1 + x, family = binomial(logit))
summary(logistic)
を実行すると、
--------------------------------------------------
ちなみに、x やら p やら y ってのは、この様にデータが入っている。
やっていることを順番に説明すると、
1. p(x) のベクトルを作成
x.min = 0.0
x.max = 10.0
beta0 <- -4.2
beta1 <- 0.7
x <- seq(x.min, x.max, 0.1)
p <- 1 / (1 + exp(-beta0 - beta1 * x))
2. p(x)から乱数を作成
y <- rbinom(length(p), 1, prob = p)
3. glm()関数で推定
logistic <- glm(y ~ 1 + x, family = binomial(logit))
summary(logistic)
となる。