लॉजिस्टिक रिग्रेशन मॉडल के लिए आर में निर्णय सीमा कैसे तय करें?

Question

मैंने R में glm का उपयोग करके एक लॉजिस्टिक रिग्रेशन मॉडल बनाया। मेरे दो स्वतंत्र चर हैं। मैं अपने मॉडल की निर्णय सीमा को दो चर के बिखराव की साजिश में कैसे लगा सकता हूं। उदाहरण के लिए, मैं एक आंकड़ा कैसे तैयार कर सकता हूं: http://onlinecourses.science.psu.edu/stat557/node/55

धन्यवाद।

Comments

आंकड़ा का लिंक मर चुका है।

— निक स्टॉनर

Answer 1

set.seed(1234)

x1 <- rnorm(20, 1, 2)
x2 <- rnorm(20)

y <- sign(-1 - 2 * x1 + 4 * x2 )

y[ y == -1] <- 0

df <- cbind.data.frame( y, x1, x2)

mdl <- glm( y ~ . , data = df , family=binomial)

slope <- coef(mdl)[2]/(-coef(mdl)[3])
intercept <- coef(mdl)[1]/(-coef(mdl)[3]) 

library(lattice)
xyplot( x2 ~ x1 , data = df, groups = y,
   panel=function(...){
       panel.xyplot(...)
       panel.abline(intercept , slope)
       panel.grid(...)
       })

मुझे यह टिप्पणी करनी चाहिए कि यहाँ पूर्ण अलगाव होता है, इसलिए यह glmकार्य आपको चेतावनी देता है। लेकिन यहाँ यह महत्वपूर्ण नहीं है क्योंकि उद्देश्य यह बताना है कि रेखीय सीमा और उनके कोवरिएट्स के अनुसार रंगीन टिप्पणियों को कैसे आकर्षित किया जाए।

Comments

मुझे आशा है कि अगर मैं जाली का उपयोग करता हूं तो मैं पुराने जमाने का नहीं हूं :-)

— suncoolsu

मुझे यह भी उम्मीद है कि अगर यह एक एचडब्ल्यू समस्या है, तो आप बस पेस्ट कॉपी नहीं करेंगे।

— सनकूलसु

धन्यवाद। यह एक एचडब्ल्यू सवाल नहीं है और इसका जवाब मेरे लिए मेरे मॉडल को समझने में मददगार है।

— user2755

अरे हाँ तुम हो :)

— mpiktas

क्या कोई मुझे ढलान और अवरोधन के पीछे का तर्क समझा सकता है? (लॉजिस्टिक मॉडल के बारे में)

— फर्नांडो

Answer 2

फर्नांडो के ऊपर स्वीकार किए गए जवाब के लिए टिप्पणी में सवाल का जवाब देना चाहते थे: क्या कोई ढलान और अवरोधन के पीछे के तर्क की व्याख्या कर सकता है?

रसद प्रतिगमन के लिए परिकल्पना का रूप लेता है:

$$h_{\theta} = g(z)$$

$g(z)$$z$

$$z = \theta_{0} + \theta_{1}x_{1} + \theta_{2}x_{2}$$

$y = 1$$h_{\theta} \geq 0.5$

$$\theta_{0} + \theta_{1}x_{1} + \theta_{2}x_{2} \geq 0$$

उपर्युक्त निर्णय सीमा है और इसे फिर से व्यवस्थित किया जा सकता है:

$$x_{2} \geq \frac{-\theta_{0}}{\theta_{2}} + \frac{-\theta_{1}}{\theta_{2}}x_{1}$$

$y = mx + b$$m$$b$

Comments

ऊपर दिए गए उत्तर के साथ अच्छी व्याख्या!

— अगस्तिन