Créer des modèles simples de régression logistique

Le jeu de données donors contient 93 462 exemples de personnes à qui on a envoyé par la poste une sollicitation de financement pour des anciens combattants paralysés. La colonne donated vaut 1 si la personne a fait un don en réponse à l'envoi et 0 sinon. Cette issue binaire sera la variable dépendante du modèle de régression logistique.

Les autres colonnes décrivent des caractéristiques des donateurs potentiels pouvant influencer leur comportement de don. Ce sont les variables indépendantes du modèle.

Lorsqu'on construit un modèle de régression, il est souvent utile de formuler une hypothèse sur les variables indépendantes qui seront prédictives de la variable dépendante. La colonne bad_address, qui vaut 1 pour une adresse postale invalide et 0 sinon, semble susceptible de réduire les chances de don. De même, on peut soupçonner que l'intérêt religieux (interest_religion) et l'intérêt pour les anciens combattants (interest_veterans) soient associés à une plus grande générosité.

Dans cet exercice, vous utiliserez ces trois facteurs pour créer un modèle simple du comportement de don. Le jeu de données donors est à votre disposition.

Cette activité fait partie du cours

Apprentissage supervisé en R : Classification

Voir le cours

Instructions de l’exercice

Examinez donors avec la fonction str().
Comptez le nombre d'occurrences de chaque modalité de la variable donated avec la fonction table().
Ajustez un modèle de régression logistique à l'aide de l'interface par formule avec les trois variables indépendantes décrites précédemment.
- Appelez glm() avec la formule comme premier argument et le tableau de données en argument data.
- Enregistrez le résultat dans donation_model.
Résumez l'objet modèle avec summary().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Examine the dataset to identify potential independent variables


# Explore the dependent variable


# Build the donation model
donation_model <- glm(___, 
                      data = ___, family = "___")

# Summarize the model results

Modifier et exécuter le code