实施逻辑回归
Implement Logistic Regression
我正在对这个数据集应用多个 ML 算法，所以我尝试了逻辑回归并绘制了预测图，它似乎完全不正确，因为该图只显示了一个 class 的数据点。这是数据和我的尝试
set.seed(10)
x1 <- runif(500) - 0.5
x2 <- runif(500) - 0.5
y <- ifelse(x1 ^ 2 - x2 ^ 2 > 0, 1, 0)
dat <- data.frame(x1, x2, y)
#Logistic Regression
fit.glm <- glm(y ~ x1 + x2, data = dat, family = "binomial")
y.hat.3 <- predict(fit.glm,dat)
plot(x1,x2,col = c("red","blue")[y.hat.3 + 1])
predict returns 默认情况下逻辑回归的对数几率。要获得预测 类，请使用 type = "resp" 获得预测概率，然后使用像 p > 0.5 这样的决策规则将它们变成 类:
y.hat.3 <- predict(fit.glm,dat, type = "resp") > 0.5
plot(x1,x2,col = c("red","blue")[y.hat.3 + 1])
我正在对这个数据集应用多个 ML 算法，所以我尝试了逻辑回归并绘制了预测图，它似乎完全不正确，因为该图只显示了一个 class 的数据点。这是数据和我的尝试
set.seed(10)
x1 <- runif(500) - 0.5
x2 <- runif(500) - 0.5
y <- ifelse(x1 ^ 2 - x2 ^ 2 > 0, 1, 0)
dat <- data.frame(x1, x2, y)
#Logistic Regression
fit.glm <- glm(y ~ x1 + x2, data = dat, family = "binomial")
y.hat.3 <- predict(fit.glm,dat)
plot(x1,x2,col = c("red","blue")[y.hat.3 + 1])
predict returns 默认情况下逻辑回归的对数几率。要获得预测 类，请使用 type = "resp" 获得预测概率，然后使用像 p > 0.5 这样的决策规则将它们变成 类:
y.hat.3 <- predict(fit.glm,dat, type = "resp") > 0.5
plot(x1,x2,col = c("red","blue")[y.hat.3 + 1])