Voorspellen met glm()

Data scientists gebruiken vaak modellen om toekomstige situaties te voorspellen. GLM’s zijn zo’n hulpmiddel en worden in dit soort situaties soms supervised learning genoemd.

In deze oefening voorspel je het verwachte aantal dagelijkse civiele brandwondslachtoffers voor de Noord-Amerikaanse zomermaanden juni (6), juli (7) en augustus (8), met behulp van de Poisson-regressie die je eerder hebt gefit en de gegevensset new_dat.

Onthoud dat de Poisson-helling en -intercept op de natuurlijke logaritmische schaal staan en geëxponentieerd kunnen worden om ze makkelijker te interpreteren. Dit kun je doen door type = "response" op te geven bij de predict-functie.

Deze oefening maakt deel uit van de cursus

Generalized Linear Models in R

Cursus bekijken

Oefeninstructies

Print new_dat om je nieuwe voorspel-situatie te bekijken.
Gebruik de gefitte Poisson-regressie, poisson_out als object en new_dat als nieuwe data in predict(). Zorg dat je de uitvoer exponentieert door type = "response" te zetten. Sla de resultaten op als pred_out.
Print pred_out.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# print the new input months
print(___)

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

# print the predictions
print(___)

Code bewerken en uitvoeren