English 中文 العربية 日本語 Português

R: R Regressão Logística

Última atualização: 2026-08-26

Na aula anterior, aprendemos sobre regressão linear — a previsão de valores contínuos (vendas, temperatura). Mas 80% dos problemas do mundo real envolvem perguntas do tipo “se”: um usuário fará uma compra? Um e-mail será clicado? Um empréstimo entrará em inadimplência? Nesta aula, aprenderemos sobre regressão logística — a previsão de probabilidades e categorias.

Ao concluir esta aula, você será capaz de usar o R para realizar: previsão de rotatividade de clientes, previsão da taxa de cliques em e-mails, pontuação de crédito e modelagem de testes A/B — abrangendo 60% dos problemas de classificação na ciência de dados.

1. O que você vai aprender

2. Uma história sobre a previsão de rotatividade de clientes

(1) Desafio: Quais clientes têm maior probabilidade de cancelar a assinatura?

Xiao Zhao é analista de dados em uma empresa de SaaS. Seu gerente perguntou: “Quais clientes têm maior probabilidade de cancelar a assinatura no mês que vem? Como podemos mantê-los antes que isso aconteça?”

Dados: 1.000 clientes; variáveis = idade, tempo de uso, número de interações com o atendimento ao cliente; classe = se o cliente cancelou o contrato.

(2) Solução usando R

R 
# 1. Model Building in One Line
model <- glm(churn ~ age + usage + support_calls,
             data = df, family = binomial)

# 2. Probability per row
df$prob <- predict(model, type = "response")

# 3. One-Line Evaluation
library(pROC)
roc_obj <- roc(df$churn, df$prob)
auc(roc_obj)  # [1] 0.85  ← Model Quality

3 linhas de código → Previsão de rotatividade + qualidade do modelo.

3. Princípios da regressão logística

(1) Por que a regressão logística é necessária?

100% 
graph TB
    A[Y Category 0/1] --> B[Linear regression is not applicable]
    B --> C[We need to map continuous values to 0-1]
    C --> D[Logit Transformation + Sigmoid]
    D --> E[Logistic Regression]
    
    style A fill:#fff3cd
    style B fill:#f8d7da
    style C fill:#d4edda
    style D fill:#cce5ff
    style E fill:#e1d4ff

A regressão linear prevê valores contínuos, enquanto a regressão logística prevê probabilidades (0–1).

(2) Fórmulas matemáticas

TEXT 📖 Somente leitura 
P(Y=1) = 1 / (1 + e^(-z))
       │      │      │
       │      │      └─ z = β₀ + β₁X₁ + β₂X₂ + ...
       │      └─ e Index
       └─ Sigmoid Function (Range 0-1)

Notação equivalente (transformação logit):

TEXT 📖 Somente leitura 
log(P/(1-P)) = β₀ + β₁X₁ + β₂X₂ + ...

probabilidade = P / (1-P) = probabilidade de sucesso / probabilidade de fracasso.

(3) Função sigmoide

R 
sigmoid <- function(x) 1 / (1 + exp(-x))

# Examples
sigmoid(0)     # 0.5
sigmoid(2)     # 0.881
sigmoid(-2)    # 0.119
sigmoid(10)    # 0.99995

4. Uso básico da função glm()

(1) Sintaxe

R 
glm(formula, data, family = binomial)
Parâmetro Significado
formula y ~ x1 + x2 (igual a lm)
data Quadro de dados
family binomial (classificação binária) / gaussian (linear) / poisson (contagem)

(2) A primeira regressão logística

R 
# Data
df <- data.frame(
  churn = c(0, 0, 0, 1, 1, 1, 0, 1, 0, 1),
  age = c(25, 30, 35, 50, 55, 60, 28, 58, 32, 65),
  usage = c(80, 70, 60, 30, 20, 10, 75, 15, 65, 5)
)

# Modeling
model <- glm(churn ~ age + usage, data = df, family = binomial)
summary(model)

Resultado:

TEXT 📖 Somente leitura 
Coefficients:
             Estimate Std. Error z value Pr(>|z|)    
(Intercept)   8.452      4.123   2.050   0.0403 *  
age           0.087      0.043   2.023   0.0431 *  
usage        -0.156      0.058  -2.690   0.0072 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(3) Análise dos 6 principais resultados

Campo Significado Explicação
Estimativa Coeficiente (no espaço logit) Um coeficiente positivo → Um aumento nessa variável aumenta a probabilidade de cancelamento
Erro-padrão Erro-padrão Precisão da estimativa do coeficiente
valor z estatística z Estimativa / Erro-padrão
Pr(>|z|) valor p Probabilidade de que o coeficiente seja significativamente diferente de 0
Desvio nulo Desvio do modelo zero Modelo apenas com interceptação
Desvio residual Desvio residual Quanto menor o valor, melhor o ajuste
💡 Nota: z value substitui o valor t (aproximação normal para amostras grandes); p < 0,05 indica que o coeficiente é significativo.

5. Interpretação dos coeficientes: razão de chances

(1) Por que usar a razão de chances?

Os coeficientes da regressão logística estão no espaço logit, o que não é intuitivo. Converta-os em razões de chances (OR) para facilitar a interpretação:

R 
# odds ratio = exp(Coefficient)
exp(coef(model))
# (Intercept)         age         usage
#   4670.123      1.091      0.856

(2) Interpretação “OU”

Valor OR Significado
OR = 1 A variável não tem efeito
OR > 1 Um aumento na variável aumenta as chances (é mais provável que o evento ocorra)
OU < 1 Um aumento na variável reduz as chances (é menos provável que o evento ocorra)
R 
# age's OR = 1.09
# Analysis: For each 1 year increase in age, churn odds increase by 9%

# usage's OR = 0.86
# Analysis: For each 1 unit increase in usage, churn odds decrease by 14%

(3) Intervalo de confiança de 95%

R 
exp(confint(model))
#                  2.5 %    97.5 %
# (Intercept)  12.345  12345.678
# age           1.002      1.198
# usage         0.745      0.978

O CI não inclui 1 → O coeficiente é significativo.

6. Previsões

(1) O parâmetro type

R 
# type = "response"  <- Probability (0-1) * Most Commonly Used
predict(model, type = "response")

# type = "link"  <- logit space (Default)
predict(model, type = "link")

(2) Previsões no mundo real

R 
# Training Set Predictions
df$prob <- predict(model, type = "response")

# Threshold 0.5 to convert to category
df$pred <- ifelse(df$prob > 0.5, 1, 0)

# New Data Forecasts
new_customers <- data.frame(
  age = c(40, 55, 30),
  usage = c(50, 15, 80)
)
predict(model, new_customers, type = "response")
# [1] 0.123 0.876 0.045
# Analysis: Age 55, Usage 15, probability of customer churn 87.6%

(3) Seleção do limiar

Limite Cenários aplicáveis
0,5 Padrão, equilibrando precisão e recall
0,3 Reduzir falsos negativos (diagnósticos médicos, fraudes)
0,7 Reduzir falsos positivos (spam)
R 
# Custom Thresholds
df$pred <- ifelse(df$prob > 0.3, 1, 0)

7. Avaliação do modelo: ROC + AUC

(1) Matriz de confusão

R 
library(caret)

# True vs Forecast
confusionMatrix(
  factor(df$pred),
  factor(df$churn),
  positive = "1"
)

#           Reference
# Prediction  0  1
#         0  50  5
#         1  10 35
# Accuracy: 0.85
# Sensitivity (Recall): 0.875
# Specificity: 0.833

(2) 4 indicadores-chave

Unidade métrica Fórmula Significado
Precisão (TP + TN) / Total Precisão geral
Precisão TP / (TP+FP) A proporção de casos previstos como positivos que são, de fato, positivos
Recall (Sensibilidade) TP / (TP+FN) Proporção de resultados positivos reais corretamente previstos
F1 2×P×R/(P+R) Média harmônica de P e R

(3) Curva ROC + AUC

R 
library(pROC)

# Calculate ROC
roc_obj <- roc(df$churn, df$prob)
auc(roc_obj)
# [1] 0.92  ← The closer we get to 1 The better

# Draw ROC
plot(roc_obj, main = "ROC Curve", col = "blue", lwd = 2)
abline(a = 0, b = 1, lty = 2, col = "gray")  # Random Classification Baseline

# AUC Analysis
# 0.5-0.7: Poor
# 0.7-0.8: Fair
# 0.8-0.9: Good
# 0.9-1.0: Excellent

8. Divisão entre conjuntos de treinamento e teste

R 
library(caret)

# Division 70% Training / 30% Test
set.seed(42)
train_index <- createDataPartition(df$churn, p = 0.7, list = FALSE)
train_data <- df[train_index, ]
test_data <- df[-train_index, ]

# Train a Model
model <- glm(churn ~ age + usage, data = train_data, family = binomial)

# Test Set Predictions
test_data$prob <- predict(model, test_data, type = "response")
test_data$pred <- ifelse(test_data$prob > 0.5, 1, 0)

# Evaluation
confusionMatrix(factor(test_data$pred), factor(test_data$churn), positive = "1")

# True AUC
roc_obj <- roc(test_data$churn, test_data$prob)
auc(roc_obj)

9. Multiclasse (multinômio)

R 
# For multi-class classification multinom (requires nnet package)
install.packages("nnet")
library(nnet)

# 3 Categories
df <- data.frame(
  y = c("A", "A", "B", "B", "C", "C"),
  x = c(1, 2, 3, 4, 5, 6)
)

model <- multinom(y ~ x, data = df)
summary(model)

# Forecast
predict(model, type = "class")      # Category
predict(model, type = "probs")      # Probability

10. Prática: O processo completo de previsão de rotatividade de clientes

A seguir, apresentamos um exemplo de um fluxo de trabalho completo que reúne todos os conceitos de regressão logística abordados nesta aula.

▶ Exemplo: Previsão da perda de 1.000 clientes

R 📖 Somente leitura 
# ============================================
# 1000 Customer Churn Prediction
# Features: The Complete Logistic Regression Workflow
# ============================================

library(ggplot2)
library(dplyr)
library(caret)
library(pROC)

# 1. Prepare data
set.seed(42)
n <- 1000
df <- tibble(
  age = round(rnorm(n, 40, 12)),
  usage = round(rnorm(n, 50, 20)),
  support_calls = sample(0:10, n, replace = TRUE),
  plan = sample(c("Basics", "Advanced", "Company"), n, replace = TRUE,
                prob = c(0.5, 0.3, 0.2))
) |>
  mutate(
    # Probability of attrition: Older, Use less, Many customer service calls -> Prone to churn
    logit_p = -3 + 0.03 * age - 0.05 * usage + 0.3 * support_calls,
    p = 1 / (1 + exp(-logit_p)),
    churn = rbinom(n, 1, p)
  ) |>
  select(-logit_p, -p)

cat("=== Data Preview ===\n")
print(head(df, 3))
cat("\nChurn rate:", round(mean(df$churn) * 100, 2), "%\n")

# 2. Training/Test Set Partitioning
set.seed(42)
train_index <- createDataPartition(df$churn, p = 0.7, list = FALSE)
train_data <- df[train_index, ]
test_data <- df[-train_index, ]

cat("\nTraining Set:", nrow(train_data), "rows\n")
cat("Test Set:", nrow(test_data), "rows\n\n")

# 3. Train a Model
model <- glm(churn ~ age + usage + support_calls + plan,
             data = train_data, family = binomial)
cat("=== Model Summary ===\n")
summary(model)

# 4. Explanation of Coefficients
cat("\n=== Coefficient odds ratio ===\n")
or_df <- tidy(model, conf.int = TRUE, exponentiate = TRUE)
print(or_df |> select(term, estimate, std.error, p.value, conf.low, conf.high))

# 5. Training Set Predictions
train_data$prob <- predict(model, type = "response")
train_data$pred <- ifelse(train_data$prob > 0.5, 1, 0)

# 6. Test Set Predictions
test_data$prob <- predict(model, test_data, type = "response")
test_data$pred <- ifelse(test_data$prob > 0.5, 1, 0)

# 7. Training Set Evaluation
cat("\n=== Training Set Evaluation ===\n")
train_cm <- confusionMatrix(factor(train_data$pred), factor(train_data$churn),
                             positive = "1")
print(train_cm)

# 8. Test Set Evaluation
cat("\n=== Test Set Evaluation ===\n")
test_cm <- confusionMatrix(factor(test_data$pred), factor(test_data$churn),
                            positive = "1")
print(test_cm)

# 9. ROC + AUC
cat("\n=== AUC ===\n")
roc_train <- roc(train_data$churn, train_data$prob)
roc_test <- roc(test_data$churn, test_data$prob)
cat("Training Set AUC:", round(auc(roc_train), 3), "\n")
cat("Test Set AUC:", round(auc(roc_test), 3), "\n")

# 10. Draw ROC
plot(roc_test, main = "ROC Curve", col = "blue", lwd = 2)
abline(a = 0, b = 1, lty = 2, col = "gray")
legend("bottomright",
       legend = paste0("AUC = ", round(auc(roc_test), 3)),
       col = "blue", lwd = 2)

# 11. Threshold Analysis
cat("\n=== Threshold Analysis ===\n")
thresholds <- seq(0.1, 0.9, by = 0.1)
threshold_results <- lapply(thresholds, function(t) {
  pred <- ifelse(test_data$prob > t, 1, 0)
  cm <- confusionMatrix(factor(pred), factor(test_data$churn), positive = "1")
  data.frame(
    threshold = t,
    precision = cm$byClass["Precision"],
    recall = cm$byClass["Sensitivity"],
    f1 = cm$byClass["F1"]
  )
}) |> bind_rows()
print(threshold_results)

# 12. Identify high-risk customers
cat("\n=== High-Risk Clients Top 5 (Probability of attrition > 70%) ===\n")
high_risk <- test_data |>
  filter(prob > 0.7) |>
  arrange(desc(prob)) |>
  head(5) |>
  select(age, usage, support_calls, plan, prob, pred)
print(high_risk)

# 13. Probability Distribution Chart
ggplot(test_data, aes(x = prob, fill = factor(churn))) +
  geom_histogram(bins = 30, alpha = 0.7, position = "identity") +
  labs(title = "Probability Distribution of Attrition (Sorted by True label)",
       x = "Predict the Probability of Churn", y = "Frequency", fill = "True label") +
  scale_fill_brewer(palette = "Set1", labels = c("Not churned", "Churned")) +
  theme_minimal()

# 14. Save Model
saveRDS(model, "churn_model.rds")
cat("\n=== The model has been saved: churn_model.rds ===\n")
85 linhas de lógica (limite de 40, somente leitura)

Resultado esperado (trecho):

TEXT 📖 Somente leitura 
=== Training Set Evaluation ===
Confusion Matrix:
          Reference
Prediction   0   1
         0 525  42
         1  18 115
Accuracy: 0.91
Sensitivity: 0.733
Specificity: 0.967

=== Test Set Evaluation ===
Accuracy: 0.89
AUC = 0.92

❓ Perguntas Frequentes

P: Regressão logística x regressão linear? R: Se Y for contínua, use lm(); se Y for 0/1, use glm(family = binomial). A regressão logística gera probabilidades (0–1), e não valores diretos de 0/1.

P: Como você interpreta a razão de chances? R: RC = exp(coeficiente). Uma RC > 1 indica um aumento nas chances (maior probabilidade de desistência), enquanto uma RC < 1 indica uma diminuição nas chances (menor probabilidade). Uma RC de 1,5 significa que as chances aumentaram em 50%.

P: Como escolho um limiar? R: O valor padrão é 0,5, mas ele deve ser ajustado de acordo com as necessidades da empresa. Use um limiar baixo (0,2–0,3) quando o custo dos falsos negativos for alto (por exemplo, na área da saúde) e um limiar alto (0,7–0,8) quando o custo dos falsos positivos for alto (por exemplo, no caso de spam).

P: O que é um bom valor de AUC? R: 0,5 = aleatório; 0,7–0,8 = médio; 0,8–0,9 = bom; 0,9+ = excelente. Quanto maior for a AUC, melhor será o modelo em distinguir entre amostras positivas e negativas.

P: Qual é a divisão recomendada entre os conjuntos de treinamento e de teste? R: As divisões mais comuns são 70/30 ou 80/20. Para conjuntos de dados grandes, uma divisão de 90/10 também é aceitável; para conjuntos de dados pequenos, use validação cruzada (caret’s trainControl).

P: O que devo usar para classificação multiclasse? R: Use nnet::multinom() (regressão logística multiclasse) ou caret (seleção automática de modelos). Para três ou mais classes, considere o Random Forest.

📖 Resumo

📝 Exercícios

  1. Exercício básico: Crie um data frame (200 linhas, 4 colunas: churn + idade + uso + chamadas_de_suporte), construa um modelo usando glm, interprete todos os resultados usando summary e calcule a razão de chances usando exp(coef(model)).

  2. Exercício básico: Usando o modelo da questão anterior, faça a previsão do conjunto de treinamento utilizando predict(type = "response"), trace um histograma comparando os rótulos reais com as probabilidades previstas e verifique se a regressão logística gera probabilidades (0–1).

  3. Exercício básico: Utilizando o modelo da questão anterior, trace a curva ROC usando pROC::roc() e calcule a AUC. Verifique se uma AUC entre 0,7 e 0,9 indica um bom modelo.

  4. Problema avançado: Use o conjunto de dados mtcars para construir um problema de classificação binária (vs representa o tipo de motor 0/1), crie um modelo usando glm(vs ~ mpg + wt, family = binomial), divida os dados em uma proporção de 70/30 e calcule a AUC e a matriz de confusão para o conjunto de teste.

  5. Desafio: Previsão completa da rotatividade de clientes — Simule 1.000 clientes (4 características + 1 rótulo). Fluxo de trabalho completo: ① Exploração ② Particionamento ③ Modelagem ④ Avaliação (Matriz de Confusão + ROC + AUC) ⑤ Análise de limiar ⑥ Identificação de clientes de alto risco ⑦ Gráfico de distribuição de probabilidade ⑧ Salvar modelo. Salve capturas de tela do processo.

Web-Tutorial.com

Equipe Técnica Web-Tutorial

Uma plataforma de tutoriais mantida por diversos desenvolvedores. Cada tutorial é escrito e revisado por profissionais da área correspondente. Trabalhamos para manter nosso conteúdo preciso e confiável — se encontrar algum problema, avise-nos.

100%