Bir lojistik regresyon modeli uydur

Rastgele eğitim ve test kümelerini oluşturduktan sonra, glm() fonksiyonunu kullanarak eğitim kümesine bir lojistik regresyon modeli uydurabilirsin. glm(), düz sıradan en küçük kareler regresyonunun ötesinde daha farklı türde regresyon modellerine izin veren, lm() fonksiyonunun daha gelişmiş bir sürümüdür.

Lojistik (doğrusal yerine) regresyon yapmak istediğini belirtmek için glm() fonksiyonuna mutlaka family = "binomial" argümanını geçir. Örneğin:

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

glm.fit: algorithm did not converge veya glm.fit: fitted probabilities numerically 0 or 1 occurred gibi uyarılar hakkında endişelenme. Bunlar küçük veri kümelerinde yaygındır ve genellikle bir sorun yaratmaz. Genelde veri kümenin mükemmel ayrılabilir olduğunu gösterir; bu durum modelin arkasındaki matematik için sorun çıkarabilir, ancak R'nin glm() fonksiyonu neredeyse her zaman bu durumu sorunsuz idare edecek kadar sağlamdır.

Veri kümene bir glm() modeli uydurduktan sonra, predict() fonksiyonunu type = "response" argümanıyla kullanarak test kümesinde sonucu (ör. kaya veya mayın) tahmin edebilirsin:

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

Bu egzersiz

R ile caret kullanarak Machine Learning

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Class değişkenini, diğer tüm değişkenleri öngörücü olarak kullanarak tahmin eden ve model adını verdiğin bir lojistik regresyon modeli uydur. Sonar için eğitim kümesini kullan.
Bu modeli kullanarak test kümesi üzerinde tahmin yap. Sonucu, daha önce yaptığın gibi p olarak adlandır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Fit glm model: model


# Predict on test: p

Kodu Düzenle ve Çalıştır