Criação de um modelo de regressão stepwise

Na ausência de conhecimento especializado no assunto, a regressão por etapas pode ajudar na busca dos preditores mais importantes do resultado de interesse.

Neste exercício, você usará uma abordagem de avanço gradual para adicionar preditores ao modelo, um a um, até que nenhum benefício adicional seja observado. O conjunto de dados donors foi carregado para você.

Este exercício faz parte do curso

Aprendizagem supervisionada em R: Classificação

Ver Curso

Instruções de exercício

Use a interface de fórmula do R com glm() para especificar o modelo básico sem preditores. Defina a variável explicativa como 1.
Use a interface de fórmula do R novamente com glm() para especificar o modelo com todos os preditores.
Aplique o site step() a esses modelos para realizar a regressão progressiva por etapas. Defina o primeiro argumento como null_model e defina direction = "forward". Isso pode demorar um pouco (até 10 ou 15 segundos), pois o computador precisa ajustar vários modelos diferentes para realizar a seleção por etapas.
Crie um vetor de probabilidades previstas usando a função predict().
Trace a curva ROC com roc() e plot() e calcule o AUC do modelo stepwise com auc().

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# Specify a null model with no predictors
null_model <- ___(___, data = ___, family = "___")

# Specify the full model using all of the potential predictors
full_model <- ___

# Use a forward stepwise algorithm to build a parsimonious model
step_model <- step(___, scope = list(lower = null_model, upper = full_model), direction = "___")

# Estimate the stepwise donation probability
step_prob <- ___

# Plot the ROC of the stepwise model
library(pROC)
ROC <- ___
plot(___, col = "red")
auc(___)

Editar e executar código