V tomto cvičení sestavíš model, který bude předpovídat počet půjčených kol za hodinu na základě počasí, typu dne (svátek, pracovní den nebo víkend) a denní doby. Model natrénuješ na datech za měsíc červenec.

Dataframe obsahuje tyto sloupce:

cnt: počet půjčených kol v dané hodině (výstupní proměnná)
hr: hodina dne (0–23, jako faktor)
holiday: TRUE/FALSE
workingday: TRUE, pokud nejde o svátek ani víkend, jinak FALSE
weathersit: kategorická proměnná – „Clear to partly cloudy"/„Light Precipitation"/„Misty"
temp: normalizovaná teplota v Celsiích
atemp: normalizovaná „pocitová" teplota v Celsiích
hum: normalizovaná vlhkost
windspeed: normalizovaná rychlost větru
instant: časový index – počet hodin od začátku datasetu (není to proměnná modelu)
mnth a yr: indexy měsíce a roku (nejsou to proměnné modelu)

Pamatuj, že při použití glm() (docs) pro model počtů musíš zadat family = poisson nebo family = quasipoisson.

Protože vstupních proměnných je hodně, uložíme si pro přehlednost název výstupní proměnné a názvy vstupních proměnných do proměnných a pomocí paste() (docs) sestavíme řetězec reprezentující vzorec modelu.

Dataframe bikesJuly je k dispozici. Názvy výstupní a vstupních proměnných jsou také načteny jako proměnné outcome a vars.

Logistická regrese pro predikci pravděpodobností

Create Your Free Account