Vorhersagen mit glm()

Data Scientists nutzen Modelle oft, um zukünftige Situationen vorherzusagen. GLMs sind ein solches Werkzeug und werden in diesen Fällen manchmal als überwachtes Lernen bezeichnet.

In dieser Übung sagst du die erwartete Anzahl täglicher ziviler Brandverletzten für die nordamerikanischen Sommermonate Juni (6), Juli (7) und August (8) voraus – mithilfe der zuvor angepassten Poisson-Regression und des Datensatzes new_dat.

Denk daran: Die Steigung und der Achsenabschnitt der Poisson-Regression liegen auf der natürlichen Log-Skala und lassen sich durch Exponentieren leichter interpretieren. Das erreichst du, indem du in der Vorhersagefunktion type = "response" angibst.

Diese Übung ist Teil des Kurses

Generalisierte lineare Modelle in R

Kurs anzeigen

Anleitung zur Übung

Gib new_dat aus, um die neue Vorhersagesituation zu sehen.
Verwende die angepasste Poisson-Regression: poisson_out als Objekt und new_dat als neue Daten in predict(). Achte darauf, die Ausgabe zu exponentieren, indem du type = "response" setzt. Speichere die Ergebnisse als pred_out.
Gib pred_out aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# print the new input months
print(___)

# use the model to predict with new data 
___ <- predict(object = ___, newdata = ___, type = "response")

# print the predictions
print(___)

Code bearbeiten und ausführen