本文主要介绍R语言中线性回归拟合度的相关信息。通过示例代码详细介绍，对您的学习或工作有一定的参考价值。有需要的朋友就跟着下面的边肖学习吧。
R语言进行线性回归的拟合度。
本文只使用R进行回归计算，检验拟合程度等。且不讨论R函数的内部公式。
R中线性回归分析的函数是lm()，基本语法是
单变量回归：lm(y ~ x，数据)
多元回归：LM (y ~ 1x2x3 …，数据)
创建关系模型并获取系数。
x - c(151，174，138，186，128，136，179，163，152，131)
y - c(63，81，56，91，47，57，76，72，62，48)
#使用lm()函数进行计算。
关系- lm(y~x)
打印(关系)
执行上述代码，会产生以下结果
打电话：
lm(公式=y ~ x)
系数：
(截距)x
-38.4551 0.6746
生成一个线性方程：
y=-38.4551 0.6746x
使用summary()函数查看摘要。
打印(摘要(关系))
结果如下：
打电话：
lm(公式=y ~ x)
残差：
最小1Q中值最大3Q
-6.3002 -1.6629 0.0412 1.8944 3.9775
系数：
估计标准。误差t值Pr(|t|)
(截距)-38.45509 8.04901-4.778 0.00139 * *
x 0.67461 0.05191 12.997 1.16 e-06 * * *
-
意义重大。代码：0 * * 0.001 * * 0.01 * 0.05 0.1 1
剩余标准误差：8个自由度上的3.253
多重R平方：0.9548，调整后R平方：0.9491
f-统计值：1和8 DF上的168.9，p-值：1.164e-06
多个R平方和调整后的R平方值，其实我们经常称之为“拟合优度”和“修正拟合优度”，是指回归方程对样本的拟合程度。
r平方(取值范围0-1)描述了输入变量对输出变量的解释程度。在一元线性回归中，R平方越大，拟合程度越好，模型对数据的预测越准确。
调整的R平方：自由度调整R平方。接近1的值表示更好的匹配。当您向模型中添加一个附加系数时，它通常是质量的最佳指标。
R平方和调整R平方的联系和区别，请参考以下。
https://www.jb51.net/article/207365.htm
简单来说，只要增加更多的变量，不管增加的变量是否与输出变量相关，R平方要么保持不变，要么增加。
因此，需要调整的R平方，这将增加那些增加的变量的惩罚，并且不会改善模型效果。
结论：对于单变量线性回归，使用R平方估计，对于多变量，使用调整的R平方估计。
在一元线性回归中，R平方和调整的R平方是一致的。
另外，如果加入更多无意义的变量，R平方和调整后的R平方差距会越来越大，调整后的R平方会减小。但如果增加的特征值很大，调整后的R平方也会上升。
使用predict()函数进行数据预测
语法：
预测(对象，新数据)
对象是使用lm()函数创建的公式。
Newdata是包含预测变量的新值的向量。
使用上面获得的等式来预测
数据帧(x=170)
结果预测(关系，a)
打印(结果)
得到预测结果。
一个
76.22869
总结
关于如何用R语言进行线性回归拟合的这篇文章到此为止。有关R语言中线性回归拟合的更多信息，请搜索我们以前的文章或继续浏览下面的相关文章。希望大家以后能多多支持我们！
