【R語言】R語言邏輯迴歸

# 邏輯迴歸是迴歸模型，其中響應變量（因變量）具有諸如True / False或0/1的分類值。 它實際上基於將其與預測變量相關的數學方程測量二元響應的概率作爲響應變量的值。
# 邏輯迴歸的一般數學方程爲 -
#   y = 1/(1+e^-(a+b1x1+b2x2+b3x3+...))
#   以下是所使用的參數的描述 -
#     y是響應變量。
#   x是預測變量。
#   a和b是作爲數字常數的係數。
#   用於創建迴歸模型的函數是glm()函數。
#   語法
#   
#   邏輯迴歸中glm()函數的基本語法是 -
#     glm(formula,data,family)
#   以下是所使用的參數的描述 -
#     formula是表示變量之間的關係的符號。
#   data是給出這些變量的值的數據集。
#   family是R語言對象來指定模型的細節。 它的值是二項邏輯迴歸。
#   例
#   
#   內置數據集“mtcars”描述具有各種發動機規格的汽車的不同型號。 在“mtcars”數據集中，傳輸模式（自動或手動）由am列描述，它是一個二進制值（0或1）。 我們可以在列“am”和其他3列（hp，wt和cyl）之間創建邏輯迴歸模型。
#   # Select some columns form mtcars.
#   input <- mtcars[,c("am","cyl","hp","wt")]
#   
#   print(head(input))
#   當我們執行上面的代碼，它產生以下結果 -
#     am   cyl  hp    wt
#   Mazda RX4          1   6    110   2.620
#   Mazda RX4 Wag      1   6    110   2.875
#   Datsun 710         1   4     93   2.320
#   Hornet 4 Drive     0   6    110   3.215
#   Hornet Sportabout  0   8    175   3.440
#   Valiant            0   6    105   3.460
#   創建迴歸模型
#   
#   我們使用glm()函數創建迴歸模型，並得到其摘要進行分析。
#   input <- mtcars[,c("am","cyl","hp","wt")]
#   
#   am.data = glm(formula = am ~ cyl + hp + wt, data = input, family = binomial)
#   
#   print(summary(am.data))
#   當我們執行上面的代碼，它產生以下結果 -
#     Call:
#     glm(formula = am ~ cyl + hp + wt, family = binomial, data = input)
#   
#   Deviance Residuals:
#     Min        1Q      Median        3Q       Max  
#   -2.17272     -0.14907  -0.01464     0.14116   1.27641  
#   
#   Coefficients:
#     Estimate Std. Error z value Pr(>|z|)  
#   (Intercept) 19.70288    8.11637   2.428   0.0152 *
#     cyl          0.48760    1.07162   0.455   0.6491  
#   hp           0.03259    0.01886   1.728   0.0840 .
#   wt          -9.14947    4.15332  -2.203   0.0276 *
#     ---
#     Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#   
#   (Dispersion parameter for binomial family taken to be 1)
#   
#   Null deviance: 43.2297  on 31  degrees of freedom
#   Residual deviance:  9.8415  on 28  degrees of freedom
#   AIC: 17.841
#   
#   Number of Fisher Scoring iterations: 8
#   結論
#   
#   在總結中，對於變量“cyl”和“hp”，最後一列中的p值大於0.05，我們認爲它們對變量“am”的值有貢獻是無關緊要的。 只有重量（wt）影響該回歸模型中的“am”值。