Prediktera med glm()

Datavetare använder ofta modeller för att prediktera framtida situationer. GLM:er är ett sådant verktyg och kallas ibland för övervakad inlärning när de används på det sättet.

I den här övningen ska du prediktera det förväntade antalet civila brandskadeoffer per dag under de nordamerikanska sommarmånaderna juni (6), juli (7) och augusti (8). Du använder den Poisson-regression du tidigare anpassat samt datamängden new_dat.

Kom ihåg att Poisson-regressionens skattningar av lutning och intercept är på den naturliga logaritmskalan och kan exponentieras för att bli lättare att tolka. Detta gör du genom att ange type = "response" i predict-funktionen.

Den här övningen är en del av kursen

Generaliserade linjära modeller i R

Visa kurs

Övningsinstruktioner

Skriv ut new_dat för att se ditt nya prediktionsscenario.
Använd den anpassade Poisson-regressionen poisson_out som objekt och new_dat som nya data i predict(). Se till att exponentiera utdata genom att sätta type = "response". Spara resultaten som pred_out.
Skriv ut pred_out.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# print the new input months
print(___)

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

# print the predictions
print(___)

Redigera och kör kod