如何在RStudio-Logistic回归中计算样本量
标准偏差
功率-期望的功率，作为一个比例（在0和1之间）
共有1个答案
问题中的链接指向t检验的幂计算，但问题问的是逻辑回归。此外，ex.power.t.test似乎也适用于t测试，而不是GLM。
功率分析一般有两种方法：
- 具有方法特定公式的确定性估计，通常带有优化步骤
- 用给定的方法和一定数量的试验（如1000次）进行模拟。在后一种情况下，样本大小很重要，而且随机数生成器的初始化也很重要，用
set.seed. 指定
以下是文档中的示例：
pwr.f2.test(u=5,v=89,f2=0.1/(1-0.1),sig.level=0.05)
但是，如果您想从幂来计算显著性水平，请使用：
pwr.f2.test(u=5, v=89, f2=0.1/(1-0.1), sig.level=NULL, power=0.8)
更多细节可以在文档中找到，特别是在包小图中。
-
主要内容：什么是分类问题？,Logistic回归算法我们知道有监督学习分为“回归问题”和“分类问题”，前面我们已经认识了什么是“回归问题”，从本节开始我们将讲解“分类问题”的相关算法。在介绍具体的算法前，我们先聊聊到底什么是分类问题。 什么是分类问题？ 其实想要理解“分类”问题非常的简单，我们不妨拿最简单的“垃圾分类处理”的过程来认识一下这个词。现在考虑以下场景： 小明拎着两个垃圾袋出门倒垃圾，等走到垃圾回收站的时候，小明发现摆放着两个垃圾桶，上面
-
Logistic回归是一种回归模型，其中响应变量（因变量）具有分类值，例如True/False或0/1。 它实际上基于将其与预测变量相关联的数学方程来测量二元响应的概率作为响应变量的值。 逻辑回归的一般数学方程是 - y = 1/(1+e^-(a+b1x1+b2x2+b3x3+...)) 以下是所用参数的说明 - y是响应变量。 x是预测变量。 a和b是数值常数的系数。 用于创建回归模型的函数是
-
逻辑回归是一个分类算法，它可以处理二元分类以及多元分类。虽然它名字里面有“回归”两个字，却不是一个回归算法。那为什么有“回归”这个误导性的词呢？个人认为，虽然逻辑回归是分类模型，但是它的原理里面却残留着回归模型的影子，本文对逻辑回归原理做一个总结。 1. 从线性回归到逻辑回归 我们知道，线性回归的模型是求出输出特征向量Y和输入样本矩阵X之间的线性关系系数θ，满足Y=Xθ。此时我们的Y是连续的，所以
-
Logistic 回归 概述 Logistic 回归 或者叫逻辑回归 虽然名字有回归，但是它是用来做分类的。其主要思想是: 根据现有数据对分类边界线(Decision Boundary)建立回归公式，以此进行分类。 须知概念 Sigmoid 函数 回归 概念 假设现在有一些数据点，我们用一条直线对这些点进行拟合（这条直线称为最佳拟合直线），这个拟合的过程就叫做回归。进而可以得到对这些点的拟合直线方
-
主要内容：什么是范数？,回归类算法,实现Logistic回归在 Scikit-Learn 机器学习库中，有关线性模型的算法族都在 模块下，不同的算法又会分化为很多类，但它们都是经过几种基本算法调整和组合而成，因此基本上都是 大同小异，换汤不换药，下面介绍经常用到回归类算法，其中就包含了 Logistic 回归算法。在这之前我们需要先熟悉几个概念，比如“正则化”。 什么是范数？ 范数又称为“正则项”，它是机器学习中会经常遇到的术语，它表示了一种运算方式，“范
-
在scikit-learn中，与逻辑回归有关的主要是这3个类。LogisticRegression， LogisticRegressionCV 和logistic_regression_path。其中LogisticRegression和LogisticRegressionCV的主要区别是LogisticRegressionCV使用了交叉验证来选择正则化系数C。而LogisticRegre