我正在实施逻辑回归以在R中创建破产预测模型。我的数据包括许多公司的财务比率，我将其归类为＆＃34;坏＆＃34;值为0和＆＃34;良好＆＃34;具有值1.
但是，某些预测变量似乎完全分开，从而产生以下警告信息：
Warning message:
glm.fit: fitted probabilities numerically 0 or 1 occurred
为了解决这个问题，我使用了一种惩罚性回归形式，即R中的brglm包。
这导致了一个具有五个预测变量的模型（表示为X1-X5）：
final_brglm <- brglm(Good1_Bad0 ~ X1 + X2 + X3 + X4 + X5, data = train_data)
该模型具有非常高的准确性，基于以下原则：
得分＆＃34; Y＆＃34; （系数B1 - B5）
Y <- intercept + B1*X2 + B2*X2 + B3*X3 + B4*X4 + B5*X5
并预测概率＆＃34; pred＆＃34;
pred <- (exp(Y)/(1+exp(Y))
当Y＆gt; 0公司是好的＆＃34;并且对于Y＆lt; 1公司是＆＃34;坏＆＃34;。
然而，得到的预测概率非常接近1或非常接近0; Y非常大（maxY = 13389261）或非常小（minY = -4719827）。两者之间没有太大的差异，因此很难在模型周围建立一个分数来预测违约/破产的可能性。
情节也表明了这一点： probability prediction - Y score
我对R比较陌生，我不知道如何处理这件事。这是否意味着分离问题尚未解决？我还读到了关于变量归一化的一些内容，我没有这样做，因为所有预测变量都是财务比率（FE销售/资产）。
