逻辑斯蒂回归用于二分类（0/1 因变量），因变量 y：只能取 0 或 1，事件发生概率，范围 (0,1)

# 加载内置数据集：mtcars（二分类变量vs：0=V型，1=直列）
data(mtcars)
# 查看数据
head(mtcars)
# 目标：用mpg、wt、hp预测 vs（0/1二分类）
# glm() 通用线性模型，family = binomial 就是逻辑斯蒂回归
logit_model <- glm(
  formula = vs ~ mpg + wt + hp,  # 因变量~自变量
  data = mtcars,
  family = binomial(link = "logit")
)

# 输出模型详细结果
summary(logit_model)

Call:
glm(formula = vs ~ mpg + wt + hp, family = binomial(link = "logit"),   data = mtcars)

Deviance Residuals:  # 偏差残差，越小拟合越好
    Min       1Q        Median       3Q       Max  
-2.0157  -0.4043  -0.0158    0.4775   1.8834  

Coefficients:  # 核心系数表
                  Estimate   Std. Error z value  Pr(>|z|)    
(Intercept) 18.57445    7.38663   2.515   0.01192 *  
mpg           -0.11965    0.14794  -0.809   0.41879    
wt               -4.24346    1.86899  -2.270  0.02317 *  
hp              -0.03237    0.01821  -1.778   0.07539 .  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

• Estimate：回归系数(beta）
  • 正数：自变量越大，(y=1)概率越大
  • 负数：自变量越大，(y=1)概率越小
• Std.Error：系数标准误
• z value：Z 检验统计量
• Pr(>|z|)：P 值
  • (P<0.05)：自变量显著影响分类结果

# 提取优势比 exp(系数)
exp(coef(logit_model))
# 置信区间
exp(confint(logit_model))

Waiting for profiling to be done...
                   2.5 %       97.5 %
(Intercept) 1.720775e-22 1.062851e+09
mpg         7.432421e-01 5.813725e+00
wt          2.934997e-01 2.461978e+05
hp          8.035275e-01 9.713645e-01
共有25个警告 (用warnings()来显示)
(OR>1)：自变量增大，发生事件概率上升
(OR<1)：自变量增大，发生事件概率下降

预测与评价

# 1. 训练集内预测概率
pre_prob <- predict(logit_model, type = "response")
# 2. 转为0/1分类结果（阈值0.5）
pre_class <- ifelse(pre_prob > 0.5, 1, 0)
head(pre_class)
# 真实值 vs 预测值
table(真实值=mtcars$vs, 预测值=pre_class)

# 计算准确率
acc <- mean(pre_class == mtcars$vs)
acc

              预测值
真实值      0     1
     0        16     2
     1         0    14

> # 计算准确率
[1] 0.9375

可视化

# 1. 生成自变量序列（连续取值，用于画平滑曲线）
wt_seq <- seq(min(mtcars$wt), max(mtcars$wt), length.out = 100)

# 2. 构造预测数据集（其余自变量取均值，控制变量）
new_data <- data.frame(
  wt = wt_seq,
  mpg = mean(mtcars$mpg),
  hp = mean(mtcars$hp)
)

# 3. 预测概率
prob_pred <- predict(logit_model, newdata = new_data, type = "response")

# 4. 绘图：原始散点 + 拟合S曲线
plot(
  x = mtcars$wt, 
  y = mtcars$vs,
  main = "逻辑斯蒂回归 S型概率曲线(车重vs分类)",
  xlab = "车重 wt",
  ylab = "分类 vs (0/1)",
  pch = 16, col = "steelblue"
)
# 绘制拟合曲线
lines(wt_seq, prob_pred, lwd = 2, col = "red")
# 添加0.5阈值线
abline(h = 0.5, lty = 2, col = "gray")
legend("topright", legend = c("原始数据", "拟合概率曲线", "0.5阈值"),
       col = c("steelblue", "red", "gray"), pch = c(16, NA, NA), lty = c(NA, 1, 2))