有了随机划分的训练集和测试集后，您可以使用 glm() 函数在训练集上拟合逻辑回归模型。glm() 是 lm() 的进阶版本，除了最基础的普通最小二乘回归外，还支持更多类型的回归模型。

请务必向 glm() 传入参数 family = "binomial"，以指定执行逻辑回归（而非线性回归）。例如：

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

像 glm.fit: algorithm did not converge 或 glm.fit: fitted probabilities numerically 0 or 1 occurred 这样的警告不必担心。在小型数据集上很常见，通常不会带来实际问题。它们通常意味着您的数据集是「完全可分」的，这可能会影响模型背后的数学性质，但 R 的 glm() 函数几乎总能稳健地处理这种情况。

在将 glm() 模型拟合到数据集后，您可以使用 predict() 函数并设置参数 type = "response"，在 test 集上预测结果（例如 rock 或 mine）：

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

关于混淆矩阵的要点

在 R 中使用 caret 的机器学习

动手互动练习