Depois de criar seus conjuntos de treino e teste aleatórios, você pode ajustar um modelo de regressão logística ao conjunto de treino usando a função glm(). A glm() é uma versão mais avançada da lm() que permite ajustar tipos mais variados de modelos de regressão, além da regressão linear por mínimos quadrados.

Certifique-se de passar o argumento family = "binomial" para glm() para indicar que você quer fazer regressão logística (em vez de linear). Por exemplo:

glm(Target ~ ., family = "binomial", dataset)

Não se preocupe com avisos como glm.fit: algorithm did not converge ou glm.fit: fitted probabilities numerically 0 or 1 occurred. Eles são comuns em conjuntos de dados menores e geralmente não causam problemas. Normalmente, significam que seu conjunto de dados é perfeitamente separável, o que pode atrapalhar a matemática por trás do modelo, mas a função glm() do R quase sempre é robusta o suficiente para lidar bem com esse caso.

Depois que você tiver um modelo glm() ajustado ao seu conjunto de dados, poderá prever o resultado (por exemplo, rocha ou mina) no conjunto test usando a função predict() com o argumento type = "response":

predict(my_model, test, type = "response")

Por que dividir em treino/teste?

Machine Learning com caret em R

exercicio interativo prático