R语言利用逻辑回归模型预测用户活跃
2014-10-13 16:11
423 查看
近期开始集中精力学习R语言,通过学习各种数据挖掘的模型,对数据的理解有了很大的提升,今天工作较少,便利用手头上的数据玩了一下R语言里面的逻辑回归。
代码如下:
data <- read.table('d:\\a.txt',header=FALSE,sep='\t')
data2 <- blogdata[,-1]
colnames(data2) <- c('blogs','pv','dts','class')
data2$cast[data2$class=='\\N'] <- 0 #缺失值转化为0分类
data2$cast[data2$class!='\\N'] <- 1 #其他的转化为1分类
data.fit <- glm(cast~blogs+pv+dts,family=binomial(),data=data2)
summary(data.fit)
画ROC图,看拟合效果:
library(ROCR)
pre=predict(data.fit,type='response')
m=prediction(pre,data2$cast)
plot(performance(m,'tpr','fpr'))
abline(0,1, lty = 8, col = "grey")
auc <- performance(m, "auc")
进行预测:
testdata$prob <- predict(data.fit,newdata=testdata,type='response')
代码如下:
data <- read.table('d:\\a.txt',header=FALSE,sep='\t')
data2 <- blogdata[,-1]
colnames(data2) <- c('blogs','pv','dts','class')
data2$cast[data2$class=='\\N'] <- 0 #缺失值转化为0分类
data2$cast[data2$class!='\\N'] <- 1 #其他的转化为1分类
data.fit <- glm(cast~blogs+pv+dts,family=binomial(),data=data2)
summary(data.fit)
画ROC图,看拟合效果:
library(ROCR)
pre=predict(data.fit,type='response')
m=prediction(pre,data2$cast)
plot(performance(m,'tpr','fpr'))
abline(0,1, lty = 8, col = "grey")
auc <- performance(m, "auc")
进行预测:
testdata$prob <- predict(data.fit,newdata=testdata,type='response')
相关文章推荐
- 读书笔记--逻辑回归拟合--人口预测模型
- R语言利用ROCR评测模型的预测能力
- 浅谈利用逻辑回归来解决文本分类时的模型调优
- 浅谈利用逻辑回归来解决文本分类时的模型调优
- 逻辑回归(Logistic Regression, LR)又称为逻辑回归分析,是分类和预测算法中的一种。通过历史数据的表现对未来结果发生的概率进行预测。例如,我们可以将购买的概率设置为因变量,将用户的
- 浅谈利用逻辑回归来解决文本分类时的模型调优
- 逻辑回归模型预测股票涨跌
- 使用Spark MLlib的逻辑回归(LogisticRegression)进行用户分类预测识别
- [Step By Step]SAP HANA PAL逻辑回归预测分析Logistic Regression编程实例LOGISTICREGRESSION(模型)
- 利用树的集成回归模型RandomForestRegressor/ExtraTreesRegressor/GradientBoostingRegressor进行回归预测(复习11)
- 基于R语言的用户征信行为分类预测模型搭建总结
- 【Python学习系列二十四】scikit-learn库逻辑回归实现唯品会用户购买行为预测
- [PAL编程规范]SAP HANA PAL逻辑回归预测分析Logistic Regression编程规范LOGISTICREGRESSION(模型)
- 【大数据部落】R语言逻辑回归logistic regression对用户收入进行预测
- 逻辑回归模型预测ctr
- 从广义线性模型到逻辑回归
- 逻辑回归模型
- R语言建立回归分析,并利用VIF查看共线性问题的例子
- 逻辑回归模型(Logistic Regression, LR)基础 - 文赛平
- 对数线性模型之一(逻辑回归), 广义线性模型学习总结