Error in binominal(link = logit) : could not find function "binominal"

The error message "could not find function" usually means that the function you are trying to use is not recognized by R. In this case, it seems like you have a typo in the function name. The correct function name is "binomial" (with two "i"s), not "binominal".

The binomial function is typically used in a glm() function call to specify a binomial generalized linear model with a logit link function. For example:

model <- glm(response ~ predictor, data = mydata, family = binomial(link = logit))

This would fit a logistic regression model with "response" as the response variable and "predictor" as the predictor variable, using the binomial family with a logit link function.

相关问题

什么意思Error in binominal(link = logit) : could not find function "binominal"

这个错误提示是因为 R 语言中没有名为 "binominal" 的函数。可能是你在代码中拼写错误或者是误用了一个不存在的函数名。正确的函数名应该是 "binomial"。 "binomial" 是一个二项式函数，用于二元分类模型中，其中参数 "link = logit" 表示使用逻辑回归作为链接函数。你可以检查一下你的代码中是否有拼写错误，或者是误用了一个不存在的函数名。

for(i in 1:nsimu){ aa=data[order(runif(ss)),] A0=aa[c(1:ss0),] A1=aa[-c(1:ss0),] model.1=glm(是否点击 ~ 平台编码+ 竞拍底价 + 是否为全插屏广告 + 手机运营商 + 网络状况 + 设备制造商 + 时段 ,family=binomial(link=logit),data=A0) model.2=glm(是否点击 ~ 平台编码+ 竞拍底价 + 是否为全插屏广告 + 设备制造商 + 时段 ,family=binomial(link=logit),data=A0) model.3=glm(是否点击 ~ 是否为全插屏广告 ,family=binomial(link=logit),data=A0) pred.1=predict(model.1,A1) pred.2=predict(model.2,A1) pred.3=predict(model.3,A1) Y=A1$是否点击 auc.1=roc(Y,pred.1)$auc auc.2=roc(Y,pred.2)$auc auc.3=roc(Y,pred.3)$auc AUC[i,]=c(auc.1,auc.2,auc.3) }

这段代码中，首先通过`order(runif(ss))`来产生一个长度为`ss`的随机序列，然后使用该序列对原始数据`data`进行随机重排，得到一个新的数据集`aa`。接着，将`aa`按照`ss0`的比例分成两个数据集`A0`和`A1`，用`A0`来训练模型，用`A1`来测试模型预测结果。其中，`是否点击`为因变量，`平台编码`、`竞拍底价`、`是否为全插屏广告`、`手机运营商`、`网络状况`、`设备制造商`、`时段`为自变量。接着，使用`glm`函数来建立三个不同的逻辑回归模型，分别为`model.1`、`model.2`、`model.3`。其中，`model.1`包含所有自变量，`model.2`去掉了`手机运营商`和`网络状况`两个变量，`model.3`只包含`是否为全插屏广告`一个变量。使用`predict`函数对`A1`数据集进行预测，得到三个模型的预测结果`pred.1`、`pred.2`、`pred.3`。接着使用`roc`函数计算出三个模型的AUC值，存放在`AUC`矩阵中的第`i`行。这个过程将重复运行`nsimu`次，得到三个模型的AUC值的分布情况。