嗨，你已经成功搞定了单变量和预测概率的逻辑回归可视化，现在想升级到3D（双自变量+预测概率曲面+实际结果散点）和4D（三自变量+预测概率颜色渐变）？完全没问题！我来给你一步步演示具体实现方法，用R的plotly包就能做出交互式的清晰可视化效果～

一、3D可视化：双自变量+预测概率曲面+实际结果散点 #

我们用plotly来做交互式3D图，既能展示模型预测的概率曲面，又能叠加实际数据的散点（用实际Outcome区分颜色）。

步骤1：准备依赖包和数据 #

首先确保你安装了需要的包，然后生成用于预测的网格数据（因为逻辑回归是多变量模型，未选中的变量要固定为均值，才能单独看两个变量的影响）：

# 安装并加载包
if (!require(plotly)) install.packages("plotly")
if (!require(dplyr)) install.packages("dplyr")
library(plotly)
library(dplyr)

# 假设你的训练好的模型是final_model，数据集是dataset
# 选择两个要可视化的自变量，比如Glucose和BMI
var1 <- "Glucose"
var2 <- "BMI"

# 生成覆盖两个变量取值范围的网格数据，其他变量固定为均值
grid <- expand.grid(
  Glucose = seq(min(dataset[[var1]]), max(dataset[[var1]]), length.out = 50),
  BMI = seq(min(dataset[[var2]]), max(dataset[[var2]]), length.out = 50),
  Pregnancies = mean(dataset$Pregnancies),
  Age = mean(dataset$Age)
)

# 用模型预测网格点的概率
grid$PP_model <- predict(final_model, newdata = grid, type = "response")

步骤2：绘制3D曲面+散点 #

# 初始化plotly对象，先加预测概率曲面（半透明方便看散点）
p_3d <- plot_ly() %>%
  add_surface(
    x = ~grid[[var1]],
    y = ~grid[[var2]],
    z = ~grid$PP_model,
    colorscale = "Viridis",
    opacity = 0.7,
    name = "Predicted Probability Surface"
  ) %>%
  # 添加实际数据的散点，用Outcome区分颜色
  add_markers(
    data = dataset,
    x = ~Glucose,
    y = ~BMI,
    z = ~Outcome, # 实际结果0/1作为z轴
    color = ~factor(Outcome),
    colors = c("#1f77b4", "#ff7f0e"),
    size = I(5),
    name = "Actual Outcome"
  ) %>%
  # 设置布局和标题
  layout(
    title = paste("3D Logistic Regression: ", var1, " vs ", var2),
    scene = list(
      xaxis = list(title = var1),
      yaxis = list(title = var2),
      zaxis = list(title = "Outcome / Predicted Probability")
    )
  )

# 显示交互式图
p_3d

你可以旋转、缩放这个图，很直观地看到模型的预测曲面和实际数据的分布关系～

二、4D可视化：三自变量+预测概率颜色渐变 #

4D可视化其实就是在3D散点的基础上，用颜色梯度来表示预测概率，这样能同时展示三个自变量和预测概率的关系。

基础版实现代码 #

# 4D可视化：3个自变量散点，颜色映射到预测概率
p_4d <- plot_ly(
  data = dataset,
  x = ~Pregnancies,
  y = ~Glucose,
  z = ~BMI,
  color = ~PP_model,
  colors = "Viridis", # 渐变颜色，从蓝到黄表示概率从低到高
  size = I(5),
  marker = list(opacity = 0.8)
) %>%
  add_markers() %>%
  layout(
    title = "4D Visualization: 3 Variables + Predicted Probability (Color Gradient)",
    scene = list(
      xaxis = list(title = "Pregnancies"),
      yaxis = list(title = "Glucose"),
      zaxis = list(title = "BMI")
    ),
    colorbar = list(title = "Predicted Probability")
  )

# 显示图
p_4d

进阶版：同时区分实际Outcome和预测概率 #

如果你想同时展示实际结果和预测概率，可以用符号区分Outcome，颜色还是表示预测概率：

p_4d_advanced <- plot_ly(
  data = dataset,
  x = ~Pregnancies,
  y = ~Glucose,
  z = ~BMI,
  color = ~PP_model,
  colors = "Viridis",
  symbol = ~factor(Outcome),
  symbols = c("circle", "square"), # 用圆形和方形区分0和1
  size = I(6),
  marker = list(opacity = 0.8)
) %>%
  add_markers() %>%
  layout(
    title = "4D Visualization: 3 Variables + Predicted Probability + Actual Outcome",
    scene = list(
      xaxis = list(title = "Pregnancies"),
      yaxis = list(title = "Glucose"),
      zaxis = list(title = "BMI")
    ),
    colorbar = list(title = "Predicted Probability"),
    legend = list(title = list(text = "Actual Outcome"))
  )

p_4d_advanced

一些注意事项 #

• 如果你的模型中还有其他被排除的变量（比如BloodPressure、Insulin等），在生成3D网格数据时，也要把这些变量固定为均值或中位数，这样预测的概率才符合模型的真实输出。
• plotly的交互式图支持拖拽旋转、缩放，方便你从不同角度观察数据和模型的关系，比静态图更实用。
• 如果你需要静态图，可以考虑rgl包，但交互式体验不如plotly。

备注：内容来源于stack exchange，提问作者Libellule