Prognozowanie przeżycia wróbli
W tym ćwiczeniu przewidzisz prawdopodobieństwo przeżycia na podstawie modelu przeżycia wróbli z poprzedniego ćwiczenia.
Pamiętaj, że wywołując predict() (dokumentacja) w celu uzyskania prognozowanych prawdopodobieństw z modelu glm(), musisz wskazać, że chcesz odpowiedź w skali prawdopodobieństwa:
predict(model, type = "response")
W przeciwnym razie predict() dla modelu regresji logistycznej zwróci prognozowane logarytmy szans (log-odds), a nie prawdopodobieństwo.
Skorzystasz również z funkcji GainCurvePlot() (dokumentacja), aby narysować krzywą zysku na podstawie prognoz modelu. Jeśli krzywa zysku modelu jest bliska idealnej krzywej ("wizard"), oznacza to, że model dobrze posortował wróble – tzn. przewidział, że wróble, które rzeczywiście przeżyły, mają wyższe prawdopodobieństwo przeżycia. Argumenty funkcji GainCurvePlot() to:
frame: ramka danych z kolumną prognoz i kolumną rzeczywistych wynikówxvar: nazwa kolumny z prognozami (jako ciąg znaków)truthVar: nazwa kolumny z rzeczywistym wynikiem (jako ciąg znaków)title: tytuł wykresu (jako ciąg znaków)
GainCurvePlot(frame, xvar, truthVar, title)
Ramka danych sparrow oraz model sparrow_model zostały wstępnie załadowane.
To ćwiczenie jest częścią kursu
Nadzorowane uczenie maszynowe w R: regresja
Instrukcje do ćwiczenia
- Utwórz nową kolumnę w ramce
sparrowo nazwiepred, która będzie zawierać prognozy na danych treningowych. - Wywołaj
GainCurvePlot(), aby utworzyć krzywą zysku dla prognoz. Czy model dobrze sortuje wróble według tego, czy rzeczywiście przeżyły?
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# sparrow is available
summary(sparrow)
# sparrow_model is available
summary(sparrow_model)
# Make predictions
sparrow$pred <- ___
# Look at gain curve
___(___, ___, ___, "sparrow survival model")