为什么在r'；t返回二进制向量？

当反应变量为“Chan”时，我尝试使用逻辑回归。 我使用了预测函数，但函数返回的向量不是布尔值，有人知道问题出在哪里吗

example of my data:
x1 x2 x3 x4 Chan
3 4 5 6 1 1
4 4 4 4 1 1 
5 5 3 2 3 0
3 4 3 4 2 0

mimic_matrix$Chan<-(mimic$Chan==1)
training<-mimic_matrix[1:5000,]
test<-mimic_matrix[-(1:5000),-ncol(mimic_matrix)]
tag<-mimic_matrix[-(1:5000),ncol(mimic_matrix)]

mimic_regression <- glm(Chan ~ .,data = training,family = "binomial")
step_backward<-step(mimic_regression, direction="backward")

predict_backward<-predict(step_backward, newdata = test, type="response")
predict_backward<-(predict_backward==1)

我的数据示例：
x1 x2 x3 x4 Chan
3 4 5 6 1 1
4 4 4 4 1 1 
5 5 3 2 3 0
3 4 3 4 2 0
模拟矩阵$Chan返回给定协变量的每个结果的概率。在R的帮助下：

所需的预测类型。默认值为线性预测量表；另一种“响应”是响应变量的尺度。因此，对于默认二项模型，默认预测的概率为对数概率（logit标度上的概率），type=“response”给出预测概率。术语选项返回一个矩阵，给出线性预测量表上模型公式中每个项的拟合值。
逻辑回归给出的输出介于0和1之间，表示因变量等于1的概率（或真，或任何因变量）。在大多数情况下，只要逻辑回归结果大于0.5，您就会“预测”值1。然而，假设0.5是最佳分界点是危险的，因为将真误分类的成本不得与将假误分类为真的成本相同。考虑逻辑回归分类问题的目标，并确定合适的阈值（关键词：ROC曲线）
 逻辑回归函数的输出
glm（）
是一个概率。但我们可以通过使用阈值将它们转换为预测（0或1）。阈值选择基于您的首选项，其中错误更好。如果你没有偏好，0.5就好了。正如Ken提到的，ROC曲线将帮助您找到更好的阈值。你可以为此安装
ROCR
软件包。
如果你想将其二进制化，你可以使用
ifelse
语句。为什么不在你的答案中添加一个例子，而不是做这个注释呢？换句话说，你需要定义一个将概率分割为0/1的截止值。没有数学方法可以做到这一点。通常使用0.5，但可能适用于您的情况，也可能不适用于您的情况。