数值预测变量的逻辑回归？
Logistic regression for numerical predictor?
我正在处理一个数据集，想使用以下一些变量来预测“Operatieduur”。所有预测变量都已分解。
LogicFit <- train(Operatieduur ~ Anesthesioloog + Aorta_chirurgie + Benadering +
Chirurg + Operatietype, data = TrainData,
method="glm", family="binomial")
这里我使用 caret 包中的“train”函数来使用 glm 进行逻辑拟合。当我 运行 此代码时，我收到错误消息：
1: model fit failed for Resample01: parameter=none Error in eval(family$initialize) : y values must be 0 <= y <= 1
我google了一下，发现原因是响应“Operatieduur”是一个连续的数值（持续时间）。那么我应该如何修改函数以使用预测变量（它们都是分类值）来预测连续数值？逻辑函数可以做到吗？
逻辑回归预测 类别 ，而不是数值变量。如果要预测连续数值变量（即使使用分类变量），请使用正态回归。根据预测变量的类别数量，您可能需要考虑一种 hot/dummy 编码。
我正在处理一个数据集，想使用以下一些变量来预测“Operatieduur”。所有预测变量都已分解。
LogicFit <- train(Operatieduur ~ Anesthesioloog + Aorta_chirurgie + Benadering +
Chirurg + Operatietype, data = TrainData,
method="glm", family="binomial")
这里我使用 caret 包中的“train”函数来使用 glm 进行逻辑拟合。当我 运行 此代码时，我收到错误消息：
1: model fit failed for Resample01: parameter=none Error in eval(family$initialize) : y values must be 0 <= y <= 1
我google了一下，发现原因是响应“Operatieduur”是一个连续的数值（持续时间）。那么我应该如何修改函数以使用预测变量（它们都是分类值）来预测连续数值？逻辑函数可以做到吗？
逻辑回归预测 类别 ，而不是数值变量。如果要预测连续数值变量（即使使用分类变量），请使用正态回归。根据预测变量的类别数量，您可能需要考虑一种 hot/dummy 编码。