Prevedere con glm()

Nel lavoro quotidiano, i data scientist usano spesso i modelli per prevedere situazioni future. I GLM sono uno di questi strumenti e, quando usati a questo scopo, rientrano talvolta nel cosiddetto supervised learning.

In questo esercizio, prevederai il numero atteso di infortuni civili giornalieri causati da incendi nei mesi estivi nordamericani di giugno (6), luglio (7) e agosto (8), utilizzando la regressione di Poisson che hai già adattato e il dataset new_dat.

Ricorda che le stime di intercetta e pendenza nella Poisson sono sulla scala del logaritmo naturale e possono essere esponenziate per essere più facili da interpretare. Puoi farlo specificando type = "response" nella funzione predict.

Questo esercizio fa parte del corso

Generalized Linear Models in R

Visualizza il corso

Istruzioni dell'esercizio

Stampa new_dat per vedere il nuovo scenario di previsione.
Usa la regressione di Poisson stimata, poisson_out come oggetto e new_dat come nuovi dati in predict(). Assicurati di esponenziare l'output impostando type = "response". Salva i risultati come pred_out.
Stampa pred_out.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# print the new input months
print(___)

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

# print the predictions
print(___)

Modifica ed esegui il codice