R语言逻辑回归Logisitc逐步回归训练与验证样本估计分析心脏病数据参数可视化

 

在进行​​交叉验证​​之前，很自然地说“我会预烧 50%（比如说）我的数据来训练一个模型，然后用剩下的来拟合模型”。例如，我们可以使用训练数据进行变量选择（例如，在逻辑回归中使用一些逐步过程），然后，一旦选择了变量，就将模型拟合到剩余的观察集上。一个自然的问题通常是“这真的重要吗？”。

为了可视化这个问题，考虑我的（简单）​​数据集​​

使用心脏病数据，预测急诊病人的心肌梗死，包含变量：

1. 心脏指数
2. 心搏量指数
3. 舒张压
4. 肺动脉压
5. 心室压力
6. 肺阻力
7. 是否存活

让我们生成 100 个训练样本（我们保留大约 50% 的观察值）。在它们中的每一个上，我们使用逐步过程，并保留剩余变量的估计值（以及它们的标准差）

1.  M=matrix(NA,100,ncol(MODE))
2.  for(i in 1:100){
3.  reg=step(glm(PRO=="CS"~.,dataYE[idx,]))
4.

然后，对于 7 个协变量（和常数），我们可以查看​​拟合​​在训练样本上的模型中的系数值，以及拟合在验证样本上的模型上的值

1.   
2.  idx=which(!is.na(M[,j]))
3.  plot(M[idx,j],M2[idx,j])
4.  abline
5.  segments

例如，对于截距，我们有以下

其中水平段是模型上拟合在训练样本上的参数的置信区间，垂直段是验证样本上的置信区间。蓝色部分表示某种一致性，而红色部分表示实际上，一个模型的系数为负，另一个模型为正。

我们还可以可视化两个估计量的联合分布，

1.  for(j in 1:8){
2.   
3.  fa = kde(x=Z, H=H)
4.  image(fat$eots[[1]],

在这里，几乎在对角线上，

这意味着两个样本的截距（或多或少）相同。然后我们可以查看其他参数。

 

在该变量上，它似乎在训练数据集上很显著（不知何故，这与它在逐步过程之后保留在模型中的事实一致）但在验证样本上不显著（或几乎不显著）。

其他的则更加一致（有一些可能的异常值）

在下一个问题上，我们在训练样本上又有显著性，但在验证样本上没有。

可能更有趣：

两者非常一致。

---