时间:2021-05-20
在统计学中,线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。
简单对来说就是用来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。
回归分析中,只包括一个自变量和一个因变量,且二者的关系可用一条直线近似表示,这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量,且因变量和自变量之间是线性关系,则称为多元线性回归分析。
一元线性回归分析法的数学方程:
y = ax + b接下来我们可以创建一个人体身高与体重的预测模型:
1、收集样本数据:身高与体重。
2、使用 lm() 函数来创建一个关系模型。
3、从创建的模型中找到系数,并创建数学方程式。
4、获取关系模型的概要,了解平均误差即残差(估计值与真实值之差)。
5、使用 predict() 函数来预测人的体重。
以下是人的身高与体重数据:
# 身高,单位 cm151, 174, 138, 186, 128, 136, 179, 163, 152, 131# 体重,单位 kg63, 81, 56, 91, 47, 57, 76, 72, 62, 48在 R 中,你可以通过函数 lm() 进行线性回归。
lm() 函数用于创建自变量与因变量之间的关系模型。
lm() 函数语法格式如下:
lm(formula,data)参数说明:
创建关系模型,并获取系数:
# 样本数据x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)# 提交给 lm() 函数relation <- lm(y~x)print(relation)执行以上代码输出结果为:
Call:lm(formula = y ~ x)Coefficients:(Intercept) x -38.4551 0.6746使用 summary() 函数获取关系模型的概要:
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)# 提交给 lm() 函数relation <- lm(y~x)print(summary(relation))执行以上代码输出结果为:
Call:lm(formula = y ~ x)Residuals: Min 1Q Median 3Q Max -6.3002 -1.6629 0.0412 1.8944 3.9775 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -38.45509 8.04901 -4.778 0.00139 ** x 0.67461 0.05191 12.997 1.16e-06 ***---Signif. codes: 0 ‘***' 0.001 ‘**' 0.01 ‘*' 0.05 ‘.' 0.1 ‘ ' 1Residual standard error: 3.253 on 8 degrees of freedomMultiple R-squared: 0.9548, Adjusted R-squared: 0.9491 F-statistic: 168.9 on 1 and 8 DF, p-value: 1.164e-06predict() 函数用于根据我们建立的模型来预测数值。
predict() 函数语法格式如下:
predict(object, newdata)参数说明:
以下实例我们预测一个新的体重值:
# 样本数据x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)# 提交给 lm() 函数relation <- lm(y~x)# 判断身高为 170cm 的体重a <- data.frame(x = 170)result <- predict(relation,a)print(result)执行以上代码输出结果为:
1 76.22869我们也可以生存一个图表:
# 样本数据x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)relation <- lm(y~x)# 生存 png 图片png(file = "linearregression.png")# 生成图表plot(y,x,col = "blue",main = "Height & Weight Regression",abline(lm(x~y)),cex = 1.3,pch = 16,xlab = "Weight in Kg",ylab = "Height in cm")图表如下:
以上就是R语言实现线性回归的示例的详细内容,更多关于R语言 线性回归的资料请关注其它相关文章!
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
R语言进行线性回归的拟合度。本文只是使用R做回归计算,查看拟合度等,不讨论R函数的内部公式在R中线性回归分析的函数是lm(),基本语法是一元回归:lm(y~x,
本文实例讲述了Python实现的简单线性回归算法。分享给大家供大家参考,具体如下:用python实现R的线性模型(lm)中一元线性回归的简单方法,使用R的wom
之前在学习c语言的时候用c语言实现了动态线性表。现在再使用c++实现一下动态线性表。相关数据结构方面就不多说了。在之前的博客里也有。下面就直接来实现吧。这里使用
本文实例讲述了Python实现的线性回归算法。分享给大家供大家参考,具体如下:用python实现线性回归UsingPythontoImplementLineRe
本文实例讲述了C语言实现顺序表(线性表)的方法。分享给大家供大家参考,具体如下:一:顺序表代码实现?123456789101112131415161718192