Aan de slagGa gratis aan de slag

Begrensde voorspellingen

De functie glm() wordt gebruikt omdat je een responsfunctie nodig hebt die de modelvoorspellingen tussen nul en één begrenst. Laten we dit effect illustreren in een grafiek. Maar deze keer moet je een kromme tekenen (in plaats van een rechte lijn)!

Je begint met het plotten van de relatie HOPPINESS ~ price.ratio. Je kunt de logistische functie aan de grafiek toevoegen met curve(). De functie curve() wordt gebruikt om een andere functie te evalueren op x-datapunten. Hier is die functie predict()! De functie predict() haalt de coëfficiënten van het logistic.model op om voorspellingen te maken voor waarden die zijn meegegeven in een data frame-object. De truc is om price.ratio = x te zetten in het data.frame-argument. Hiermee past je een kromme door de voorspelde datapunten.

Deze oefening maakt deel uit van de cursus

Responsmodellen bouwen in R

Cursus bekijken

Oefeninstructies

  • Visualiseer de relatie tussen HOPPINESS en price.ratio met de functie plot().
  • Verkrijg de aankoopkansen voor Hoppiness door de functie predict() toe te passen op het logistic.model met price.ratio in het data frame-argument.
  • Pas een kromme door de voorspelde datapunten met de functie curve().

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Plot HOPPINESS against price.ratio
___(___, data = choice.data)

# Add the logistic response function
___(___(___, data.frame(___), type = "response"), add = TRUE)
Code bewerken en uitvoeren