我有一个带有二进制变量[是/否]和连续变量（X）的数据集。我正在尝试建立模型以对[是/否] X进行分类。
根据我的数据集，当X = 0.5时，有48％的观察结果为“是”。但是，我知道当X = 0.5时，“是”的真实概率应该是50％。当我使用逻辑回归创建模型时，X = 0.5！= P [是= 0.5]。
我该如何纠正？如果不能通过正确的点，我猜所有的概率都应该被低估。
只是在我的样本中添加一堆观察值以调整比例是正确的吗？
并不仅限于逻辑回归，LDA，QDA等也很有趣。
我已经搜索了Stack Overflow，但是只找到有关线性回归的主题。
我相信在R（假设您使用的glm是基数R）中，您只需要
glm(y~I(x-0.5)-1,data=your_data,family=binomial)
将I(x-0.5)协变量更新为0.5时，-1抑制了截距（在=时拦截= 0，在x=0.5->时= 0.5 x=0.5）。
例如：
set.seed(101)
dd <- data.frame(x=runif(100,0.5,1),y=rbinom(100,size=1,prob=0.7))
m1 <- glm(y~I(x-0.5)-1,data=dd,family=binomial)
predict(m1,type="response",newdata=data.frame(x=0.5)) ## 0.5
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句