如何仅用多项逻辑回归系数在R中计算预测概率？

完全可以做到，不需要依赖现成的模型对象，直接基于多项逻辑回归的数学公式手动实现即可——毕竟这类模型的概率计算逻辑是固定的。

核心逻辑 #

多项逻辑回归通常会指定一个参考类别，对于任意非参考类别j，其预测概率的计算公式为：

P(Y=j) = exp(Xβ_j) / (1 + Σ(exp(Xβ_m)))
其中m遍历所有非参考类别，参考类别的概率则是 1/(1 + Σ(exp(Xβ_m)))

这里的X是包含截距项的特征矩阵，β_j是对应类别j的系数向量。

R代码示例 #

假设我们处理的是3分类问题，指定第3类为参考类别，下面是完整的计算代码：

# 模拟输入数据
# 特征矩阵：第一列是截距项（全1），后面是自变量
X <- cbind(1, matrix(rnorm(100*3), nrow=100))  # 100个样本，3个自变量
# 系数矩阵：每一列对应一个非参考类别的系数（这里对应类别1和2）
coef_mat <- matrix(c(0.5, -0.3, 0.2, 0.1, -0.4, 0.6), ncol=2)

# 计算线性预测值
linear_pred <- X %*% coef_mat
# 对线性预测值取指数
exp_pred <- exp(linear_pred)
# 计算分母项
denominator <- 1 + rowSums(exp_pred)

# 计算每个类别的预测概率
prob_class1 <- exp_pred[, 1] / denominator
prob_class2 <- exp_pred[, 2] / denominator
prob_class3 <- 1 / denominator

# 合并为完整的概率矩阵，每行对应一个样本的各类别概率
prob_matrix <- cbind(prob_class1, prob_class2, prob_class3)
# 查看前5个样本的结果
head(prob_matrix)

你可以根据自己的分类数量、参考类别设置，调整系数矩阵的维度和概率计算的步骤，逻辑完全通用。

内容的提问来源于stack exchange，提问作者Nader Mehri