邏輯回歸是回歸模型，其中響應變量（因變量）具有諸如True / False或0/1的分類值。 它實際上基于將其與預測變量相關的數學方程測量二元響應的概率作為響應變量的值。
邏輯回歸的一般數學方程為 -
y = 1/(1+e^-(a+b1x1+b2x2+b3x3+...))
以下是所使用的參數的描述 -
y是響應變量。
x是預測變量。
a和b是作為數字常數的系數。
用于創建回歸模型的函數是glm()函數。
語法

邏輯回歸中glm()函數的基本語法是 -
glm(formula,data,family)
以下是所使用的參數的描述 -
formula是表示變量之間的關系的符號。
data是給出這些變量的值的數據集。
family是R語言對象來指定模型的細節。 它的值是二項邏輯回歸。
例

內置數據集“mtcars”描述具有各種發動機規格的汽車的不同型號。 在“mtcars”數據集中，傳輸模式（自動或手動）由am列描述，它是一個二進制值（0或1）。 我們可以在列“am”和其他3列（hp，wt和cyl）之間創建邏輯回歸模型。

Select some columns form mtcars.

input <- mtcars[,c("am","cyl","hp","wt")]

print(head(input))
當我們執行上面的代碼，它產生以下結果 -
am cyl hp wt
Mazda RX4 1 6 110 2.620
Mazda RX4 Wag 1 6 110 2.875
Datsun 710 1 4 93 2.320
Hornet 4 Drive 0 6 110 3.215
Hornet Sportabout 0 8 175 3.440
Valiant 0 6 105 3.460
創建回歸模型

我們使用glm()函數創建回歸模型，并得到其摘要進行分析。
input <- mtcars[,c("am","cyl","hp","wt")]

am.data = glm(formula = am ~ cyl + hp + wt, data = input, family = binomial)

print(summary(am.data))
當我們執行上面的代碼，它產生以下結果 -
Call:
glm(formula = am ~ cyl + hp + wt, family = binomial, data = input)

Deviance Residuals:
Min 1Q Median 3Q Max
-2.17272 -0.14907 -0.01464 0.14116 1.27641

Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 19.70288 8.11637 2.428 0.0152 *
cyl 0.48760 1.07162 0.455 0.6491
hp 0.03259 0.01886 1.728 0.0840 .
wt -9.14947 4.15332 -2.203 0.0276 *

Signif. codes: 0 ‘’ 0.001 ‘’ 0.01 ‘’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 43.2297  on 31  degrees of freedom

Residual deviance: 9.8415 on 28 degrees of freedom
AIC: 17.841

Number of Fisher Scoring iterations: 8
結論

在總結中，對于變量“cyl”和“hp”，最后一列中的p值大于0.05，我們認為它們對變量“am”的值有貢獻是無關緊要的。 只有重量（wt）影響該回歸模型中的“am”值。