aufschrieb

Ja klar! Das wäre in dem Fall nur die X-Achse, die visualisiert wird. In einem vorherigen Post hatte ich schon einmal aufgezeigt, wie mit einer Monte-Carlo-Simulation eine Eintrittswahrscheinlichkeit für einen Planwert berechnen kann. Im Folgenden der Vorschlag, wie solche Wahrscheinlichkeitswerte visualisiert werden können - mit einer kategorischen Einteilung der Prozentwerte. Der Code ist ein bisschen elaborierter: library(reshape2) library(dplyr) library(ggrepel) data <- bind_rows( tibble(methode = "market 1", score = 0.77), tibble(methode = "market 2", score = 0.65), tibble(methode = "market 3", score = 0.44), tibble(methode = "market 4", score = 0.45)) categ <- bind_rows( tibble(chance = "unrealistic", xstart = 0, xend = 0.2), tibble(chance = "ambitious", xstart = 0.2, xend = 0.4), tibble(chance = "decent", xstart = 0.4, xend = 0.6), tibble(chance = "easy", xstart = 0.6, xen

Eine logistische Regression ist eine vielversprechende Methode zur Klassifikation. Ihr Vorteil ist, dass sie auf (relativ) simple Weise die Wahrscheinlichkeit der Ausprägung widergibt. Dies ist z.B. bei der linearen Regression nicht der Fall, wo das Ergebnis kleiner 0 und größer 1 sein kann. Für den folgenden Post habe ich Tutorials von folgenden Seiten verwendet und zusamengeführt: https://www.r-bloggers.com/2017/03/learning-a-classifier-from-census-data/ http://www.sthda.com/english/articles/36-classification-methods-essentials/151-logistic-regression-essentials-in-r/ https://www.datacamp.com/community/tutorials/logistic-regression-R https://www.inwt-statistics.de/blog-artikel-lesen/Logistische_Regression_Beispiel_mit_R.html die Forschungsfrage Als Datensatz benutze ich im Folgenden den 1994 erhobenen Zensus von Barry Backer; gemeinhin als “Adult” Datensatz bekannt. Die Forschungsfrage lautet anhand der verfügbaren Variablen vorherzusagen, welche der Personen mehr als 50.000 USD v