Добавил:
Koboku1
По своей натуре перфекционист. Поэтому люблю все аккуратно оформлять и упорядочивать, складывать по полочкам. Вот, не пропадать же добру, нажитому за четыре кропотливых семестра. Тут я выложил все мои ответы, курсовые, отчеты и некоторые ДЗ. Они могут вам помочь для получения зачета или сдачи экзамена. Если чего-то не нашли в папочках, то попытайте удачу в разделе НЕОТСОРТИРОВАННОЕ на моей страничке, там все 4 семестра разложены по папкам. ГРУППА КТ-43-15. Годы обучения 2015-2019. Коллекция будет пополняться. Что ж, удачки :З
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:
#Задание 12.1. Используем данные mtcars. Сохраните в переменную
логистическую регрессионную модель, где в качестве зависимой переменной
выступает тип коробки передач (am), в качестве предикторов переменные disp,
vs, mpg. Значения коэффициентов регрессии сохраните в переменную log_coef.
log_coef <- glm(am ~ disp + vs + mpg, mtcars, family = "binomial")
log_coef$coefficients
#Задание 12.2. Используем модельные данные о соотношении среднего и высшего
образования в американских школах. Про часть испытуемых известно, поступили
они в университет или нет (переменная admit, 1 = поступили, 0 = не
поступили), про остальных таких данных нет (NA).
По имеющимся данным в переменной admit постройте логистическую
регрессионную модель, предсказывающую результат поступления по
престижности учебного заведения среднего образования (переменная rank,
1 — наиболее престижное, 4 — наименее престижное) и результатов GPA
(переменная gpa) с учётом их взаимодействия. Примените эту модель к той
части данных, где результат поступления неизвестен.
Ответом в задаче будет предсказанное моделью число поступивших из тех,
для кого результат поступления был неизвестен. Считаем человека
поступившим, когда вероятность его поступления не меньше 0.4.
df <- read.csv("D:/data.csv", sep=",")
for (i in 1: nrow(df)){
if(is.na(df$admit[i])){
df$admit[i] <- -1
}}
for (i in 1: nrow(df)){
if(df$admit[i] >= 0){
fit <- glm(admit[i] ~ gre[i] + gpa[i] + rank[i], df, family = "binomial")
}}
k <- 0
pr <- predict(fit, newdata = df, type = "response")
for (i in 1: nrow(df)){
if (pr[i] > 0.4){ sum(k) }}
k
логистическую регрессионную модель, где в качестве зависимой переменной
выступает тип коробки передач (am), в качестве предикторов переменные disp,
vs, mpg. Значения коэффициентов регрессии сохраните в переменную log_coef.
log_coef <- glm(am ~ disp + vs + mpg, mtcars, family = "binomial")
log_coef$coefficients
#Задание 12.2. Используем модельные данные о соотношении среднего и высшего
образования в американских школах. Про часть испытуемых известно, поступили
они в университет или нет (переменная admit, 1 = поступили, 0 = не
поступили), про остальных таких данных нет (NA).
По имеющимся данным в переменной admit постройте логистическую
регрессионную модель, предсказывающую результат поступления по
престижности учебного заведения среднего образования (переменная rank,
1 — наиболее престижное, 4 — наименее престижное) и результатов GPA
(переменная gpa) с учётом их взаимодействия. Примените эту модель к той
части данных, где результат поступления неизвестен.
Ответом в задаче будет предсказанное моделью число поступивших из тех,
для кого результат поступления был неизвестен. Считаем человека
поступившим, когда вероятность его поступления не меньше 0.4.
df <- read.csv("D:/data.csv", sep=",")
for (i in 1: nrow(df)){
if(is.na(df$admit[i])){
df$admit[i] <- -1
}}
for (i in 1: nrow(df)){
if(df$admit[i] >= 0){
fit <- glm(admit[i] ~ gre[i] + gpa[i] + rank[i], df, family = "binomial")
}}
k <- 0
pr <- predict(fit, newdata = df, type = "response")
for (i in 1: nrow(df)){
if (pr[i] > 0.4){ sum(k) }}
k