load('<votre_chemin>/Hdma.rda') 

print(names(Hdma))

# ---- 1 ---- 

# dir : paiement de la dette / revenu total
# hir : dépenses logement / revenu
# lvr : taille du prêt / valeur imposable des biens

# ---- 2 ---- 

train <- Hdma[Hdma$self=='yes',c(1,2,3,13)] ; attach(train) # variables 1,2,3, 13 : dir, hir, lvr, deny & tri sur les indépendants (apprentissage)

test <- Hdma[Hdma$self=='no',c(1,2,3,13)] # variables 1,2,3 : dir, hir, lvr & tri sur les non indépendants (test)

LR <- glm(deny~dir+hir+lvr,data=train,family=binomial(lin='logit'))

print(summary(LR))

#---- 3 ----

plot(train[,1:3],col=as.factor(train[,4]))

# ---- 4 ----

pred <- predict(LR,new=test)

pr_classe_2 <- 1/(1+exp(pred)) # voir cours

print(pr_classe_2)

# ---- 5 ----

decision <- NULL

# pour savoir à quelle classe (refus/non refus) correpondent les classes estimées 1/2, interprétez le modèle

decision[pr_classe_2 < 0.5]='yes' # refus
decision[pr_classe_2 >= 0.5]='no' # non refus (acceptation)

print(decision)

# ---- 6 ----

cat('table de confusion classe réelle x classe estimée pour l\'échantillon de test','\n')

cat('[yes:refus/no:acceptation(non_refus)]','\n')

print(table(test[,4],decision))