温馨提示×

温馨提示×

您好,登录后才能下订单哦!

密码登录×
登录注册×
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》

怎么在R语言中实现线性回归

发布时间:2021-05-25 16:12:52 来源:亿速云 阅读:521 作者:Leah 栏目:开发技术

本篇文章为大家展示了怎么在R语言中实现线性回归,内容简明扼要并且容易理解,绝对能使你眼前一亮,通过这篇文章的详细介绍希望你能有所收获。

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
  • y 是因变量的值。

  • x 是自变量的值。

  • a 与 b 为一元线性回归方程的参数。

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。

准备数据

以下是人的身高与体重数据:

# 身高,单位 cm
151, 174, 138, 186, 128, 136, 179, 163, 152, 131

# 体重,单位 kg
63, 81, 56, 91, 47, 57, 76, 72, 62, 48

lm() 函数

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:

  • formula - 一个符号公式,表示 x 和 y 之间的关系。

  • data - 应用数据。

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 ‘ ' 1

Residual standard error: 3.253 on 8 degrees of freedom
Multiple R-squared: 0.9548,  Adjusted R-squared: 0.9491 
F-statistic: 168.9 on 1 and 8 DF, p-value: 1.164e-06

predict() 函数

predict() 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:

  • object - lm() 函数创建的公式。

  • newdata - 要预测的值。

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:

怎么在R语言中实现线性回归

什么是R语言

R语言是用于统计分析、绘图的语言和操作环境,属于GNU系统的一个自由、免费、源代码开放的软件,它是一个用于统计计算和统计制图的优秀工具。

上述内容就是怎么在R语言中实现线性回归,你们学到知识或技能了吗?如果还想学到更多技能或者丰富自己的知识储备,欢迎关注亿速云行业资讯频道。

向AI问一下细节

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

AI