回归模型如何拆分训练集和测试集 R语言 r语言分组回归

目录

• 二分类逻辑回归

• 数据准备
• 模型构建
• 模型检验

• 多分类逻辑回归

二分类逻辑回归

首先，我先展示下我逻辑回归的总体代码，如果有基础的同志需要的话，可以直接修改数据和参数拿去用呀：

library(lattice)
library(ggplot2)
library(caret)
library(e1071)
library(foreign)
library(survival)
library(MASS)
library(nnet)
library(epiDisplay)
library(pROC)

# 数据导入
data<-read.csv('E:/TestData/Number10.2.csv',header = T)

# 共线性诊断
XX<-cor(data[-1])
kappa(XX,exact = TRUE)  # 也可以计算条件数kappa(X)，k<100,说明共线性程度小；如果100<k<1000，则存在较多的多重共线性;若k>1000，存在严重的多重共线性。

# 划分训练集与测试集
train_sub = sample(nrow(data),7.5/10*nrow(data))
train_data = data[train_sub,]
test_data =data[-train_sub,]

# 模型构建
model6<-glm(mort~.,data=train_data,family = binomial)
summary(model6) #展示模型的

# 模型预测
pre_logistic<-as.numeric(predict(model6,newdata = test_data,type = "response")>0.5)

# 模型检验
conMat4<-confusionMatrix(factor(pre_logistic),factor(test_data$mort),positive="1")
logistic.display(model6) #输出OR值

# 绘制ORC曲线
roc1<-roc(test_data$mort,pre_logistic,plot=TRUE, print.thres=TRUE, print.auc=TRUE,levels = c(0,1),direction = "<")

# 检验线性假设是否成立
pre<-predict(model6,newdata = test_data,type = "response")
par(mfrow=c(2,2))
scatter.smooth(test_data[,2],log(pre/(1-pre)),cex=0.5)
scatter.smooth(test_data[,3],log(pre/(1-pre)),cex=0.5)
scatter.smooth(test_data[,4],log(pre/(1-pre)),cex=0.5)
scatter.smooth(test_data[,5],log(pre/(1-pre)),cex=0.5)

数据准备

在将数据导入R之前，根据自己的需求对数据进行清理。本例中，因变量为二分类，代表患者的出院和死亡，实验目的为预测患者死亡相关因素。因此，我们将死亡设置为1，住院设置为0。

R语言数据的导入支持很多格式，本例中导入的是csv格式，可以使用read.csv()函数，也可以使用read.table()函数；如果想要导入.xlsx文件，可以调用library(openxlsx)包，使用read.xlsx()函数，需要的同志可以自己去查。

本例中，首先我们导入数据

data<-read.csv('E:/TestData/Number10.2.csv',header = T)

#header = T 表明直接把文件中的标题行导入

数据导入效果展示如下（因为可能涉及到敏感信息，这里我将标题行抹去啦，实际导入进来是有标题行的）

在进行数据分析之前，我们需要检验一下自变量之间是否存在多重共线性：

data<-read.csv('E:/TestData/Number10.2.csv',header = T)
XX<-cor(data[-1])
kappa(XX,exact = TRUE)  # 也可以计算条件数kappa(X)，k<100,说明共线性程度小；如果100<k<1000，则存在较多的多重共线性;若k>1000，存在严重的多重共线性。

本例中，计算得出的k=2.857281，说明自变量间的共线程度较小，可以不予考虑。

然后我们按 7.5 : 2.5 的比例将数据划分为测试集和训练集

train_sub = sample(nrow(data),7.5/10*nrow(data))
train_data = data[train_sub,]  # 训练集
test_data =data[-train_sub,]  # 测试集

模型构建

R语言中二分类逻辑回归，可以调用glm()函数，具体实现如下：

model6<-glm(mort~.,data=train_data,family = binomial)

#实际模型建立的时候，可以采用mort~colname1+colname2+colname3的形式，mort ~代表将剩余所有的列作为自变量放入模型

summary(model6) #模型展示

结果如下：

上图中，我们可以看到模型中，所有的变量P值均显著（若此步骤中有不显著的自变量，可以考虑将其剔除，然后重新构建模型）

模型构建成功以后，我们根据模型对测试集进行预测，将概率>0.5的归为死亡分类，概率<0.5的归为出院分类：

pre_logistic<-as.numeric(predict(model6,newdata = test_data,type = "response")>0.5)

模型检验

为了检验模型的预测效果，我们利用library(caret)包下的confusionMatrix()函数输出预测值和真实值的混淆矩阵，以及模型的准确率，敏感性和特异性：

conMat4<-confusionMatrix(factor(pre_logistic),factor(test_data$mort),positive="1") 
logistic.display(model6) #输出OR值

#需要注意的是，confusionMatrix()函数要求输入变量是factor类型，在此，我们可以利用library(e1071)包下的factor()函数，或者as.factor()函数将数据强制转换为factor类型，如上述代码所示。

混淆矩阵输出结果展示如下：

由上图可知，模型的准确率Accuracy为0.9681，敏感性Sensitivity为0.80882，特异性Specificity为0.98861。总体上来看，模型的敏感性较低，特异性高，可能存在的原因是数据不平衡，导致模型对数据量偏少的那个分类不够敏感。建议可以采用过采样，SMOTE平衡等方法对数据进行处理，具体实现方法，需要的同志可以自行百度。

除了输出混淆矩阵，也可以通过绘制ROC曲线，得到模型敏感性Sensitivity和特异性Specificity：

roc1<-roc(test_data$mort,pre_logistic,plot=TRUE, print.thres=TRUE, print.auc=TRUE,levels = c(0,1),direction = "<")

ROC曲线展示如下：

其实从上图我们可以看到，我这里ROC曲线中的AUC值和通过混淆矩阵输出的AUC是有偏差的（经评论大神指点，AUC和准确率不是一回事，我开始没搞明白，这样AUC和混淆矩阵中的Accuracy不一致就可以理解了~~）。

到此为止，二分类的逻辑回归模型就建立好啦。模型建立过程中做了很多工作，经常会出现模型拟合不好的情况，本来想记录的详细点，但文笔逻辑有限，发现过程中有些感想不是很容易写出来，最终还是只写了大概的过程。其实模型构建过程中，经常会因为数据问题或者操作不当出现各种各样的，难以言喻的错误，比如超过2个level的无序多分类自变量最好设置为哑变量（R语言逻辑回归中，将原始数据设置为A B C等用字母表示的数据，代入glm()模型中就会自动以第一个分类为参考将其设置为哑变量，有需求的同志可以自行百度）；再有，如果有非线性关系，而且关系不明，可能需要generalized additive models，对应着gam()函数。如果非线性关系明确，就转化成线性的，用glm()函数：比如通过线性诊断发现某自变量的函数关系呈现二次型的，可以将该自变量转化为平方，再将新的变量代入模型重新构建（线性假设的检验我的总体代码中又给，有兴趣的同志可以自己尝试一下）。

线性检验出来的结果大概如下：

如上图中，图3很明显的大概是二次型的关系，因此可以将图3中的自变量化为其自身的二次型，然后再构建新的模型。

多分类逻辑回归

介绍完二分类回归，我们来看一下多分类的逻辑回归，其R语言实现过程与二分类回归大同小异。同样，我先展示下总体代码：

library(lattice)
library(ggplot2)
library(caret)
library(e1071)
library(nnet)
library(pROC)

# 数据准备
data<-read.csv('D:/多分类逻辑回归/iris.csv',header = T)
train_sub = sample(nrow(data),7.5/10*nrow(data))
train_data = data[train_sub,]
test_data =data[-train_sub,]

# 多元分类模型构建
train_data$class2<-relevel(as.factor(train_data$class),ref = "Iris-setosa") # 选择参考分类
mult.model<-multinom(class~A+B+C+D,data=train_data)
summary(mult.model)

# 系数显著性检验
z <- summary(mult.model)$coefficients/summary(mult.model)$standard.errors
p <- (1 - pnorm(abs(z), 0, 1))*2
p

# 相对危险度（相对危险风险比，或者也叫odds），与OR等价
exp(coef(mult.model))

# 利用head()函数得到模型的拟合值
# head(pp<-fitted(mult.model))

# 测试集结果预测
pre_logistic<-predict(mult.model,newdata = test_data) 

# 预测正确百分比
# table(test_data$class,pre_logistic)
# 多分类混淆矩阵
conMat4<-confusionMatrix(factor(pre_logistic),factor(test_data$class))

本例中，多分类的逻辑回归利用的是library(nnet)包中的multinom()函数。该函数有两个特点：一是需要选择参考分类；二是不能计算系数的显著性（需要自己计算）。多元逻辑回归中，假设有3个分类，会以参考分类作为参考，构建两个分类模型。模型计算的是该条数据属于3个分类的概率，取概率最大的分类为最终分类。（详细的教程可以参考：多元分类详细教程）

在此不再对多元回归的代码做详细的解释。示例代码采用的数据是经典鸢尾花案例数据，需要的可以自行下载：鸢尾花数据集

总结：感觉就是，像算法啊，数据分析啊这种东西还是要自己动手写，只看或者只听，到自己动手的时候还是一团糟。所以，如果有机会，就多加练习吧！