建立最終分類模型
比較羅吉斯迴歸模型（0.4）與表現最佳的隨機森林模型（0.2）的 recall 表現後，你已經知道表現較好的模型是羅吉斯迴歸模型。在這個練習中，你將使用所有 train 資料來建立羅吉斯迴歸模型，並準備用來評估此模型 test 表現所需的向量。
本練習屬於課程
Tidyverse 的 Machine Learning
練習說明
- 建立一個羅吉斯迴歸模型，使用
training_data中所有可用特徵來預測Attrition。 - 準備實際測試值的二元向量
test_actual。 - 準備預測值的二元向量，將機率大於 0.5 視為
TRUE，並將其儲存為test_predicted。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Build the logistic regression model using all training data
best_model <- glm(formula = ___,
data = ___, family = "binomial")
# Prepare binary vector of actual Attrition values for testing_data
test_actual <- testing_data$___ == "___"
# Prepare binary vector of predicted Attrition values for testing_data
test_predicted <- predict(___, ___, type = "response") > ___