Методи для трендових ліній

У попередній вправі ви використали типовий geom_smooth() з ggplot2. У цій вправі ви замість цього використаєте glm(). Так ви зможете «побачити» логістичну регресію за допомогою ggplot2. Зокрема, ви побудуєте ймовірність того, що хтось їде автобусом, залежно від відстані до роботи.

Вам потрібно вказати для geom_smooth() використання методу glm(). Згадайте з Розділу 2, що типовою сім'єю для glm() є ґаусова сім'я, яка дає такі самі результати, як і lm(). Отже, вам також потрібно задати аргумент method.args для glm().
Код для створення gg_jitter, який ви зібрали в попередній вправі, уже надано.

Ця вправа є частиною курсу

Узагальнені лінійні моделі в R

Переглянути курс

Інструкції до вправи

Використайте метод "glm" із geom_smooth().
За допомогою method.args задайте сім'ю 'binomial'.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create a jittered plot of MilesOneWay vs Bus2 using the bus dataset
gg_jitter <- ggplot(data = bus, aes(x = MilesOneWay, y = Bus2)) + 
	geom_jitter(width = 0, height = 0.05) +
	ylab("Probability of riding the bus") +
	xlab("One-way commute trip (in miles)")

# Add a geom_smooth() that uses a GLM method to your plot
gg_jitter + geom_smooth(method =  ___ , method.args = list(___))

Редагувати та запускати код