2024年4月15日发(作者：)

r语言二元logistic回归案例

以下是一个R语言的二元logistic回归案例：

假设我们有一份数据集，记录了200个人的性别、年龄和是否抽烟的情况，现

在我们希望根据这些信息来预测一个人是否得肺癌。

首先，我们需要读入数据：

R

data <- ("")

接下来，我们需要对数据进行一些预处理。首先，我们需要将性别这个变量转换

为二元变量，即男性为1，女性为0:

R

datasex <- ifelse(datasex == "male", 1, 0)

然后，我们需要将年龄变量进行标准化处理，使其均值为0，标准差为1:

R

dataage <- scale(dataage)

接着，我们需要将吸烟变量转换为二元变量，即吸烟为1，不吸烟为0:

R

datasmoke <- ifelse(datasmoke == "yes", 1, 0)

最后，我们需要将肺癌变量转换为二元变量，即得肺癌为1，未得肺癌为0:

R

datacancer <- ifelse(datacancer == "yes", 1, 0)

现在，我们可以开始进行二元logistic回归了。首先，我们需要将数据集分为训

练集和测试集：

R

(1234)

<- sample(nrow(data),nrow(data)*0.7)

<- data[,]

<- data[-,]

然后，我们可以使用glm函数来拟合logistic回归模型：

R

model <- glm(cancer ~ sex + age + smoke, data=,

family="binomial")

在模型拟合完成后，我们可以使用summary函数来查看模型的结果：

R

summary(model)

从模型结果中，我们可以看到性别、年龄和吸烟都显著地影响了肺癌的发生概率。

同时，我们也可以使用predict函数来对测试集进行预测，并计算出模型的准确

率：

R

prob <- predict(model, type="response", newdata=)

pred <- ifelse(prob>0.5,1,0)

table(pred,ncer)

accuracy <- sum(diag(table(pred,ncer)))/nrow()

accuracy

以上就是一个二元logistic回归的完整案例。通过这个案例，我们可以了解到如

何使用R语言进行二元logistic回归的建模和预测。