R如何快速获得logistic回归的决策边界

我们知道如何为逻辑回归和其他分类器方法绘制决策边界，但是，我对绘制不感兴趣；但是我想要的是二项式预测的精确值，是.50

例如：

train=data.frame(1:20)
train$response=rep(1:0,10)
model=glm(response ~ poly(X1.20, 2), data=train, family=binomial)


train$X1.20[1]=10.5
predict(model, train[1,], type="response")

---

给我留下了一个10.5的决策边界，我可以通过predict（）函数的反复试验找到它，这意味着自变量的值为10.5，得到的响应正好是0.50。是否有一种自动的方法来确定什么值会给出.50的响应？

您应该使用这样一个事实，即logit模型的预测值为零意味着响应概率为0.5。因此，您可以尝试找到一个值

x

，使预测值尽可能接近零。此处

deviationFromZero（）

查找给定

x

的任何值时，模型的预测值离零的距离

df <- data.frame(x = 1:20, response = rep(1:0, 10))
model <- glm(response ~ poly(x, 2), data = df, family = binomial)
deviationFromZero <- function(y) abs(predict(model, data.frame(x = y)))
boundary <- optimize(f = deviationFromZero, interval = range(df$x))

boundary
$minimum
[1] 10.5

$objective
           1 
1.926772e-16 

---

df对于其他对此感兴趣的人，使用nlm（）而不是optimize（）可能会提高速度，但是您必须确保将函数包装在sum（）中，使其看起来像sum（abs（predict））（..@JamesH你是对的，我认为
nlm
肯定会更快。在这种情况下，基于梯度的方法会更快，因为一切都是好的和连续的。
optimize
做了一些类似网格搜索的事情，所以速度会慢一点（但根据我的经验，在其他情况下会更稳健一点）。