理论上，回归分析是在目标变量为连续型数据的情况下建模的，它不能处理目标变量为分类型数据的情况。

而logic回归分析的思路是把分类变量（“是否开通VIP”）转化为连续变量（“开通VIP的概率”），进而使用回归分析的方法间接地研究分类分析的问题。

一、原理

假设vip变量为分类变量，其取值只有0和1，这是分类型变量，无法通过回归分析建模。

但是，vip取值为1的概率却是一个连续型变量（prob.vip），可以使用回归分析为prob.vip建模：

prob.vip=k1*x1+k2*x2+k3*x3+k4*x4+b

由于k1*x1+k2*x2+k3*x3+k4*x4+b 的取值范围是(-∞,+∞)，而prob.vip的范围是[0,1]，因此，使用y=1/(1+exp(-x))函数进行转化:

prob.vip=1/(1+exp(-(k1*x1+k2*x2+k3*x3+k4*x4+b)))

当prob.vip>0.5，则可以预测vip.predict=1，否则为0。

注：回归分析使用最小二乘法拟合模型参数；logic回归则使用最大似然法来估算。

二、R语言实现

glm()是用R语言实现logic回归分析的核心函数。

参数：

formula：设置线性拟合模型的形式

family：glm的算法族。logic回归分析，family设置为binomial(“logit”)

data：样本数据

代码：

（1）建立logic回归模型
data.glm<- glm(vip~.,data=vip.data,family=binomial("logit"))
summary(data.glm)

可以使用step函数对模型进行修正：
data.glm<- step(data.glm)

（2）模型glm的输出项
模型参数：data.glm$coefficients
线性模型的预测数据：data.glm$linear.predictors
vip等于1的概率prob.vip: data.glm$fitted.values
线性拟合模型的残差：data.glm$residuals

（3）模型预测
预测测试数据:
predict.vip <- ifelse(data.glm$fitted.values>= 0.5,1,0)
predict.vip <- as.factor(predict.vip)

预测新数据：
new.predict.vip<- predict(data.glm,newdata=test.vip.data) 线性拟合数据的预测值
new.predict.vip<- 1/(1+exp(-new.predict.vip)) 概率值
new.predict.vip<- as.factor(ifelse(new.predict.vip>= 0.5,1,0))预测最终值

（4）模型性能衡量
performance<- length(which((predict.vip==vip.data$vip)==TRUE))/nrow(vip.data) 正确率
其中，length(which((predict.vip==vip.data$vip)==TRUE))表示预测值与实际样本值元素取值相等的数目。

版权声明：本文为apple-flying原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://www.cnblogs.com/apple-flying/p/4288507.html