logistic回归和案例

本文实现逻辑回归的方法主要使用R语言

logistic属于预测性模型。

• 预测性模型能够帮助销售部门，提高销售活动的一个工具，能针对用户实现精准营销

Paste_Image.png

• 统计模型应用表

  
  
  

  Paste_Image.png

• 逻辑回归相关概念

优势比（ｏｄｄｓ）：事件发生的概率/事件不发生的概率
odds ratio 大白话讲就是胜率

Paste_Image.png

logit变换：给优势比取对数

Paste_Image.png

• i 所有案例观察值
• pi 第i个案例中一个事件发生的概率
• ln 对数变换（以e为底）
  例如：
  性别X：1,1,1,1,1,2,2,2,2,2
  违约Y：1,0,0,1,0,1,1,1,0,0
  那么P1 = 2/5　　P2=3/5
  logit回归模型
  
  

  Paste_Image.png
  
  区间在0-1之间；把原本预测出来的正负无穷的值，压缩为（0，1）之间，能更好预测一个时间发生的概率。

例如：在医学调查中，不吸烟组（A）共有80人，吸烟组（B）共有100人， 得肺癌的分别为：60人，90人

Paste_Image.png

　　　那么Ａ组中，“是”的概率为60/80
　　　那么Ｂ组中，“是”的概率为90/100
　　
　　　优势比　＝　“是”得肺癌的人/“否”没有得肺癌的人
　　　Ａ组odds＝６０/２０＝３ 即odds（A组）=60/20=3
　　　Ｂ组odds＝９０/１０＝９ 即odds（B组）=90/10=9
　　　Odds Ratio , B对A OR= 9/3 = 3
结论和意义：对一个吸烟者而言，得的肺癌的概率比不吸烟的人高3倍；

logit回归基于极大似然法
http://blog.csdn.net/zouxy09/article/details/8537620

模型评估指标

Paste_Image.png

Omnlibus检验

Paste_Image.png

看方程的总体显著性，看卡方的显著性，主要是把方程中所有的X自变量压缩在一起，对因变量Y做的卡方，因此能够衡量方程的总体显著性。原假设：所有的系数值都相等而且为0

logistic回归的R方值

Paste_Image.png

总体百分比 = 预测正确数（(NO,NO)+(YES,YES)）/总数
混淆矩阵（用于决策类模型）

Paste_Image.png

1. 正确率=(A+D)/(A+B+C+D) 评价模型优劣的指标

• 灵敏度（Sensitivity ； 覆盖率、召回率recall；正例的覆盖率）= A/(A+B) 事件发生的覆盖程度
• 命中率（Precision、PV+）=A/(A+C) 事件发生的准确程度
• 特异度（Specificity；负例的覆盖率）=D/（C+D）
• 负命中率（PV-）=D/（D+B）
  假设采用逻辑回归分类器，其给出针对每个实例为正类的概率，那么通过设定一个阈值如0.6，概率大于等于0.6的为正类，小于0.6的为负类。对应的就可以算出一组(FPR,TPR),在平面中得到对应坐标点。随着阈值的逐渐减小，越来越多的实例被划分为正类，但是这些正类中同样也掺杂着真正的负实例，即TPR和FPR会同时增大。阈值最大时，对应坐标点为(0,0),阈值最小时，对应坐标点(1,1)。

ROC曲线（用于排序类模型）

• ROC曲线一般看测试集上的ROC值

  
  
  

  Paste_Image.png
• 曲线下的面积（AUC）越大越好

Paste_Image.png

关于ROC曲线，更详细可以看我兄弟的这篇文章：
http://www.cnblogs.com/karlpearson/p/6185091.html

模型系数解释
由于系数经过变换所以需要把变换还原

Paste_Image.png

以变量creddebt数据为例：B=0.44 EXP(B) = e^0.44=1.553 由于模型进行了logistic变换，因此解释起来需要进行变换

Paste_Image.png

Paste_Image.png

②/①得到

Paste_Image.png

所以exp（B）是x每增加1个单位的变化值
在指数e中幂<0起点为0，无需处理。如果幂>0，起点为1，那么就需要减去1让起点为0才能于幂<0的值有可比性。
由于解释增加值，e ^{0=1，起点为1，0.44>0，所以e}0.44-1=0.553，解释就是当信用卡贷款增加1（千元），信用卡违约的风险概率增加55.3%。
如果要衡量creddebt对是否违约的影响程度，需要做标准化处理，即(exp(B)-1)/(exp(B)+1) = 0.2<0.35说明creddebt对是否违约的影响程度不高

概率P的计算

Paste_Image.png

Paste_Image.png

垂直特异性
需要三个值计算：学生化残差；库克距离；杠杆值
①库克距离/杠杆值 ~ 服从卡方分布（卡方界值为100）
②学生化残差^2 ~ 服从卡方（卡方界值为8）
如果①②同时大于100和8的话可以认定为强影响点

Paste_Image.png

Paste_Image.png

spss案例

打开spss > 分析 > 回归 > 二元Logistic

Paste_Image.png

协变量：默认认为里面的变量是连续变量，分类变量也默认认为是连续变量
如果要区分分类变量需要点击“分类”

Paste_Image.png

把分类变量选中，放入分类协变量框中

Paste_Image.png

绘制roc曲线，评估模型好坏

Paste_Image.png

检查模型的垂直特异性

案例

• 汽车金融信用违约预测模型案例
  目标：根据申请人的资料预测他会不会违约，如果违约概率较高则拒绝

• 分类变量之间的描述使用列联表分析
• 构造逻辑回归

#随机抽样，建立训练集与测试集
set.seed(100)
select<-sample(1:nrow(accepts),length(accepts$application_id)*0.7)
train=accepts[select,]
test=accepts[-select,]
attach(train)

• R中的logit回归

lg<-glm(bad_ind ~fico_score+bankruptcy_ind+tot_derog+age_oldest_tr+rev_util+ltv+veh_mileage,family=binomial(link='logit'))
summary(lg)
lg_ms<-step(lg,direction = "both")
summary(lg_ms)

• 生成预测概率

train$p <- predict(lmg1,train,type = "response")
summary(train$p)
test$p<-predict(lmg1, test,type = "response")