當你有了隨機切分的訓練集與測試集之後，就可以用 glm() 函式在訓練集上擬合一個邏輯斯迴歸模型。glm() 是 lm() 的進階版本，除了最基本的最小平方法線性迴歸之外，還能建立更多元的迴歸模型。

請務必在 glm() 中傳入引數 family = "binomial"，以指定要進行的是邏輯斯（而非線性）迴歸。例如：

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

遇到像 glm.fit: algorithm did not converge 或 glm.fit: fitted probabilities numerically 0 or 1 occurred 的警告先別擔心。這些在較小的資料集上很常見，通常不會造成問題。它們通常代表你的資料集是「完全可分的」，這對模型背後的數學可能有影響，但 R 的 glm() 在這種情況下幾乎都能穩健地處理。

當你已經用 glm() 在資料集上擬合出模型後，可以用 predict() 搭配引數 type = "response"，在 test 集上預測結果（例如 rock 或 mine）：

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

模型、ROC 與 AUC

使用 R 的 caret 進行 Machine Learning

動手互動練習