En este ejercicio, vas a crear un modelo para predecir el número de bicicletas alquiladas en una hora en función del tiempo, el tipo de día (festivo, laborable o fin de semana) y la hora del día. Entrenarás el modelo con datos del mes de julio.

El data frame tiene las columnas:

cnt: número de bicicletas alquiladas en esa hora (la variable objetivo)
hr: la hora del día (0-23, como factor)
holiday: TRUE/FALSE
workingday: TRUE si no es festivo ni fin de semana; en caso contrario, FALSE
weathersit: categórica, "Clear to partly cloudy"/"Light Precipitation"/"Misty"
temp: temperatura normalizada en Celsius
atemp: temperatura «de sensación» normalizada en Celsius
hum: humedad normalizada
windspeed: velocidad del viento normalizada
instant: índice temporal: número de horas desde el inicio del conjunto de datos (no es una variable)
mnth y yr: índices de mes y año (no son variables)

Recuerda que debes especificar family = poisson o family = quasipoisson al usar glm() (docs) para ajustar un modelo de recuento.

Como hay muchas variables de entrada, por comodidad indicaremos la variable objetivo y las entradas en variables y usaremos paste() (docs) para construir una cadena que represente la fórmula del modelo.

El data frame bikesJuly está disponible para usar. Los nombres de la variable objetivo y de las variables de entrada también se han cargado en las variables outcome y vars, respectivamente.

Regresión logística para predecir probabilidades

Create Your Free Account