การกำหนดและประมาณค่าโมเดล

เราได้เรียนรู้คำสั่ง glm() สำหรับการรันโลจิสติกรีเกรสชันกันไปแล้ว glm() ย่อมาจาก generalized linear model และรองรับโมเดลรีเกรสชันได้หลายรูปแบบ

ลองนำชุดข้อมูลตัวอย่างมาใช้ในงานเขียนโค้ดนี้ ข้อมูล defaultData ที่ต้องใช้พร้อมให้เรียกใช้งานในสภาพแวดล้อมของคุณแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning for Marketing Analytics ใน R

ดูคอร์ส

คำแนะนำการฝึกหัด

ใช้ฟังก์ชัน glm() เพื่อสร้างโมเดลความน่าจะเป็นที่ลูกค้าจะผิดนัดชำระเงิน โดยใช้โลจิสติกรีเกรสชัน ให้รวมตัวแปรอธิบายทุกตัวในชุดข้อมูล และระบุข้อมูลที่จะใช้ด้วย
อย่าลืมระบุอาร์กิวเมนต์ family
ดึงค่าสัมประสิทธิ์จากโมเดล จากนั้นแปลงเป็น odds ratios แล้วปัดเศษ

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Build logistic regression model
logitModelFull <- ___(PaymentDefault ~ limitBal + sex + education + marriage +
                   age + pay1 + pay2 + pay3 + pay4 + pay5 + pay6 + billAmt1 + 
                   billAmt2 + billAmt3 + billAmt4 + billAmt5 + billAmt6 + payAmt1 + 
                   payAmt2 + payAmt3 + payAmt4 + payAmt5 + payAmt6, 
                family = ___, data = ___)

# Take a look at the model
___(logitModelFull)

# Take a look at the odds ratios
coefsexp <- ___(logitModelFull) %>% ___ %>% round(2)
coefsexp

แก้ไขและรันโค้ด