predict

    -1熱度

    1回答

    我想基於使用lm()在R中設置的迴歸模型來計算幾個預測值。 要預測的點不包括在用於迴歸的數據集中 - 儘管我想他們可能與NA代表因變量。這在SAS中有效,但我寧願不在這種情況下。 下面的簡單方法最初適用於我的簡單目的。 myLm1 = lm(log(p) ~ u + v + w, data=myDat) DatToPred1 = data.frame(u=72, v=20,

    1熱度

    1回答

    存儲的電子(B)預測我知道,一個可以按如下得到的預測值: reg y x1 x2 x3 predict pred_values 比方說,我運行一個迴歸和存儲的值: reg y x1 x2 matrix stored_b = e(b) 然後我運行另一個迴歸(無所謂)。 是否可以使用predict命令使用stored_b而不是當前的e(b)? (當然,我可以通過基於stored_b手工計算

    0熱度

    1回答

    在下面的代碼,做我需要按照方法1或方法2 我很困惑,爲什麼在要使用的測試數據預測,因爲每個方法1。 如果有人能夠詳細解釋它會很棒。 train <- sample(nrow(sales), nrow(sales)*0.6) test <- sales[-train] 方法1 fit <- lm(y~x,data=train) predict(fit,data=test) 相反,我不能做

    0熱度

    2回答

    我正在嘗試使用darch包創建幾個堆疊的RBM的dbn。我是深度學習的新手,所以我的問題是:glmnet/randomForest/knn ... etc包中預測函數的等價物是什麼? 訓練完dbn後,如何預測外部樣本?例如(這是在包中提供的例子) ## Not run: # Generating the datasets inputs <- matrix(c(0,0,0,1,1,0,1,1),

    2熱度

    1回答

    注意:這是一個交叉發佈。我上個星期在Cross Validated上發佈了這個問題,但是,它或者不適合那裏,或者它不被識別 - 因此,我試圖在這裏得到答案... 當我運行glm與二項式家族(邏輯迴歸),R輸出給我的對數估計,它可以使用plogis(logit)轉化爲概率。所以使用類似plogis(predict(glm_fit, type = "terms"))的東西會給我調整每個預測變量的成功概

    1熱度

    1回答

    我已閱讀關於命名變量的其他帖子,並嘗試實現答案,但仍然爲我想運行現有模型的新數據獲取太多值。這裏是工作示例代碼: set.seed(123) mydata <- data.frame("y"=rnorm(100,mean=0, sd = 1),"x"=c(1:100)) mylm <- lm(y ~ x, data=mydata) # ok so mylm is a model on 1

    5熱度

    1回答

    我使用MICE開發了一個通過多重插補法建立的模型。我想使用這個模型來預測新觀察結果(不包含缺失數據)的響應,包括標準錯誤。將MICE中創建的模型對象傳遞給predict()函數不起作用 一個使用內置nhanes數據集的簡單示例。說我想開發一個邏輯迴歸模型的形式age==3 ~ bmi + hyp + chl,並使用此模型來預測,也就是說,概率(年齡= 3 | BMI = 20,HYP = 2,CH

    0熱度

    1回答

    我正在嘗試使用1和0的分類項目之一的avNNet。 在我的測試數據集中,我有116293.但預測函數的輸出僅返回106388條記錄。 而令人震驚的是所有都是0的! 我可能會犯一些錯誤。請有人指導我使用avNNet。 的代碼如下: nnet_train = avNNet(WnvPresent~. ,data = xtrain, size=10) str(xtest) #116293 obs. of

    2熱度

    2回答

    我分割了Train數據集和Test數據集。 我對R(只有火車集)中的CART(分類樹)使用了一個包rpart。我想用ROCR包進行ROC分析。 變量是`n。使用'(響應變量... 1 =是,0 =否): > Pred2 = prediction(Pred.cart, Test$n.use) Error in prediction(Pred.cart, Test$n.use) : **F

    4熱度

    2回答

    我已經訓練了一個svm模型。我想測試它,但是我在predict()函數中遇到了一個錯誤。爲了簡單起見,我在這裏將測試和訓練數據分成非隨機70/30分割。 library(e1071) train <- mydata[1:9731, ] test <- mydata[(9731+1):13901, ] mysvm <- svm(formula = outcome ~ BW + GA, da