Prédiction en régression logistique
Comme pour la régression linéaire, l’intérêt de la régression logistique est de pouvoir faire des prédictions. Repassons ensemble les étapes du flux de prédiction !
churn et mdl_churn_vs_both_inter sont disponibles ; dplyr, tidyr et ggplot2 sont chargés.
Cet exercice fait partie du cours
<cours>Régression intermédiaire en R</cours>Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Make a grid of explanatory data
explanatory_data <- ___(
# Set len. relationship to seq from -2 to 4 in steps of 0.1
___,
# Set recency to seq from -1 to 6 in steps of 0.1
___
)
# See the result
explanatory_data