Comparer les résultats d'une régression logistique

Lorsque vous construisez des modèles, vous voulez avoir plus d'observations que de paramètres estimés par le modèle. Ces variables supplémentaires sont appelées degrés de liberté.

Un modèle avec trop peu d'observations peut être sujet au surapprentissage (overfitting), ou même impossible à ajuster (parfois appelé singulier). De plus, examiner les degrés de liberté peut vous aider à valider vos données et votre code. Par exemple, un écart entre les degrés de liberté et le nombre d'observations que vous croyez avoir peut indiquer que vos données doivent être mieux nettoyées, qu'il y a un bogue dans votre code ou qu'il y a une erreur de modélisation.

Les formats d'entrée large et long pour glm() produisent des degrés de liberté différents, car la différence dans le nombre de lignes des données amène le modèle à interpréter un nombre d'observations différent.

Dans les exercices précédents, vous avez ajusté une régression logistique en utilisant trois options d'entrée différentes. Celles-ci ont été chargées pour vous sous lr_1, lr_2 et lr_3. Examinez les résumés de ces trois modèles.

Comment les degrés de liberté varient-ils d'un modèle à l'autre?