如何获得防风草多项逻辑回归模型的系数？

Question

我使用 tidymodels 框架拟合多项式逻辑回归模型来预测鸢尾花数据集中的物种。

library(tidymodels)

iris.lr = multinom_reg(
  mode="classification",
  penalty=NULL,
  mixture=NULL
) %>%
  set_engine("glmnet")

iris.fit = iris.lr %>%
  fit(Species ~. , data = iris)

然后我想查看模型的系数并写出公式。我的理解是我应该从 iris.fit 获取这个。

iris.fit 的输出有一个 100 行表，其中包含 Df、%Dev 、Lambda。iris 数据集只有 4 个预测变量。如何将此输出转换为系数？

Answer 1

您可以使用该函数获取数据框中的所有系数（针对每个测试的 lambda）tidy()。

\n\n\n\n

library(tidymodels)\n#> \xe2\x94\x80\xe2\x94\x80 Attaching packages \xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80 tidymodels 0.1.0 \xe2\x94\x80\xe2\x94\x80\n#> \xe2\x9c\x93 broom     0.5.6      \xe2\x9c\x93 recipes   0.1.12\n#> \xe2\x9c\x93 dials     0.0.6      \xe2\x9c\x93 rsample   0.0.6 \n#> \xe2\x9c\x93 dplyr     0.8.5      \xe2\x9c\x93 tibble    3.0.1 \n#> \xe2\x9c\x93 ggplot2   3.3.0      \xe2\x9c\x93 tune      0.1.0 \n#> \xe2\x9c\x93 infer     0.5.1      \xe2\x9c\x93 workflows 0.1.1 \n#> \xe2\x9c\x93 parsnip   0.1.1      \xe2\x9c\x93 yardstick 0.0.6 \n#> \xe2\x9c\x93 purrr     0.3.4\n#> \xe2\x94\x80\xe2\x94\x80 Conflicts \xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80 tidymodels_conflicts() \xe2\x94\x80\xe2\x94\x80\n#> x purrr::discard()  masks scales::discard()\n#> x dplyr::filter()   masks stats::filter()\n#> x dplyr::lag()      masks stats::lag()\n#> x ggplot2::margin() masks dials::margin()\n#> x recipes::step()   masks stats::step()\n\niris_lr <- multinom_reg(\n  mode = "classification",\n  penalty = NULL,\n  mixture = NULL\n) %>%\n  set_engine("glmnet")\n\niris_fit = iris_lr %>%\n  fit(Species ~ . , data = iris)\n\nlibrary(broom)\n\ntidy(iris_fit)\n#> # A tibble: 839 x 6\n#>    class      term            step  estimate lambda dev.ratio\n#>    <chr>      <chr>          <dbl>     <dbl>  <dbl>     <dbl>\n#>  1 setosa     ""                 1  6.41e-16  0.435 -1.21e-15\n#>  2 versicolor ""                 1 -1.62e-15  0.435 -1.21e-15\n#>  3 virginica  ""                 1  9.81e-16  0.435 -1.21e-15\n#>  4 setosa     ""                 2  2.44e- 1  0.396  6.56e- 2\n#>  5 setosa     "Petal.Length"     2 -9.85e- 2  0.396  6.56e- 2\n#>  6 versicolor ""                 2 -1.22e- 1  0.396  6.56e- 2\n#>  7 virginica  ""                 2 -1.22e- 1  0.396  6.56e- 2\n#>  8 setosa     ""                 3  4.62e- 1  0.361  1.20e- 1\n#>  9 setosa     "Petal.Length"     3 -1.89e- 1  0.361  1.20e- 1\n#> 10 versicolor ""                 3 -2.31e- 1  0.361  1.20e- 1\n#> # \xe2\x80\xa6 with 829 more rows\n

\n\n

^{由reprex 包(v0.3.0)于 2020-05-14 创建}

\n