我们知道如何划分逻辑回归和其他分类方法的决策边界,但是,我不感兴趣的是一个图,而是我想要确切的值,在二项式预测是.50。
例如:
train=data.frame(1:20)
train$response=rep(1:0,10)
model=glm(response ~ poly(X1.20, 2), data=train, family=binomial)
train$X1.20[1]=10.5
predict(model, train[1,], type="response")留给我的决策边界为10.5,我可以通过使用predict()函数的尝试和错误找到这个边界,这意味着自变量的10.5值正好是.50的响应。是否有一种自动的方法可以找到.50的响应值?
发布于 2015-12-19 19:25:23
您应该使用一个事实,即logit模型的预测值为零意味着响应概率为0.5。因此,您可以尝试找到一个x值,使预测值尽可能接近于零。在这里,deviationFromZero()发现在给定x值的情况下,预测值与模型的距离是从零到多远。
df <- data.frame(x = 1:20, response = rep(1:0, 10))
model <- glm(response ~ poly(x, 2), data = df, family = binomial)
deviationFromZero <- function(y) abs(predict(model, data.frame(x = y)))
boundary <- optimize(f = deviationFromZero, interval = range(df$x))
boundary
$minimum
[1] 10.5
$objective
1
1.926772e-16 https://stackoverflow.com/questions/34374244
复制相似问题