Overzicht van logistische regressie

Generalized Linear Models in R

Richard Erickson

Instructor

Wetenschapper in laboratorium

Generalized Linear Models in R

Afbeelding sportanalyses

Generalized Linear Models in R

Online verkoper gebruikt logistische regressie

Generalized Linear Models in R

Hoofdstukoverzicht

  • Overzicht van logistische regressie
  • Invoer voor logistische regressie in R
  • Linkfuncties
Generalized Linear Models in R

Waarom logistische regressie?

  • Binaire data: (0/1)
  • Overlevingsdata: levend/dood
  • Keuzes of gedrag: ja/nee, Coke/Pepsi, enz.
  • Resultaat: geslaagd/gezakt, kop/munt, winst/verlies, enz.
Generalized Linear Models in R

Wat is logistische regressie?

Standaard GLM voor binomiale familie

Model voor binaire data

$Y = \text{Binomial}(p)$

Gekoppeld aan lineaire vergelijking

$\text{logit}(p) = \beta_0 + \beta_1 x + \epsilon$

Generalized Linear Models in R

Logitfunctie

Logit gedefinieerd als

$\text{logit}(p) = \text{log}\left(\frac{p}{1-p}\right)$

Inverse logit gedefinieerd als

$\text{logit}^{-1}(x) = \frac{1}{1 + \text{exp}(-x)}$

Generalized Linear Models in R

Logistische regressie uitvoeren

Functie:

glm(y ~ x, data = dat, family = 'binomial')

Invoer:

y = c(0, 1, 0, 0, 1...)
y = c("yes", "no"...)
y = c("win", "lose"...)
# Of een factor met 2 niveaus
Generalized Linear Models in R

Met de bus?

  • Wat maakt het waarschijnlijker dat mensen met de bus pendelen?
  • Bus nemen: ja, Geen bus: nee
  • Verandert het aantal pendeldagen de kans op de bus nemen?
  • 2015 pendel-data uit Pittsburgh, PA, USA
  CommuteDays Bus
1           5 Yes
2           2  No
Generalized Linear Models in R

Laten we oefenen!

Generalized Linear Models in R

Preparing Video For Download...