r语言lm拟合线性回归,R语言回归模型拟合优度检验

r语言lm拟合线性回归,R语言回归模型拟合优度检验,R语言如何进行线性回归的拟合度详解

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!

r语言lm拟合线性回归,R语言回归模型拟合优度检验