R – Lineare Regression

R 语言实例R-Sprachbeispiele

In der Statistik ist die lineare Regression eine Regressionsanalyse, die die Kleinste-Quadrate-Funktion verwendet, die als lineare Regressionsgleichung bezeichnet wird, um die Beziehung zwischen einer oder mehreren unabhängigen Variablen und einer abhängigen Variablen zu modellieren.

Einfach gesagt, ist es eine statistische Analysemethode, die verwendet wird, um die quantitative Beziehung der gegenseitigen Abhängigkeit zwischen zwei oder mehr Variablen zu bestimmen.

In der Regressionsanalyse spricht man von einer einfachen linearen Regressionsanalyse, wenn es nur eine unabhängige Variable und eine abhängige Variable gibt und die Beziehung zwischen den beiden durch eine Gerade angenähert werden kann. Wenn die Regressionsanalyse zwei oder mehr unabhängige Variablen umfasst und die Beziehung zwischen der abhängigen Variablen und den unabhängigen Variablen linear ist, spricht man von einer multiplen linearen Regressionsanalyse.

Die mathematische Gleichung für die einfache lineare Regressionsanalyse:

y = ax + b
  • yist der Wert der abhängigen Variablen.

  • xist der Wert der unabhängigen Variablen.

  • aundbsind die Parameter der einfachen linearen Regressionsgleichung.

Als Nächstes können wir ein Vorhersagemodell für menschliche Körpergröße und Gewicht erstellen:

  • 1. Beispieldaten sammeln: Körpergröße und Gewicht.
  • 2. Verwenden Sie die Funktion lm(), um ein Beziehungsmodell zu erstellen.
  • 3. Ermitteln Sie die Koeffizienten aus dem erstellten Modell und erstellen Sie eine mathematische Gleichung.
  • 4. Rufen Sie die Zusammenfassung des Beziehungsmodells ab, um den durchschnittlichen Fehler zu verstehen, d. h. das Residuum (die Differenz zwischen dem geschätzten Wert und dem wahren Wert).
  • 5. Verwenden Sie die Funktion predict(), um das Gewicht einer Person vorherzusagen.

Daten vorbereiten

Im Folgenden finden Sie die Größen- und Gewichtsdaten von Personen:

# 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()-Funktion

In R können Sie mit der Funktion lm() eine lineare Regression durchführen.

Die Funktion lm() wird verwendet, um ein Beziehungsmodell zwischen der unabhängigen Variable und der abhängigen Variable zu erstellen.

Das Syntaxformat der Funktion lm() ist wie folgt:

lm(formula,data)

Parameter description:

  • formula – eine symbolische Formel, die die Beziehung zwischen x und y darstellt.
  • data – die anzuwendenden Daten.

Erstellen Sie ein Beziehungsmodell und rufen Sie die Koeffizienten ab:

Beispiel

# Beispieldaten
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)

# An die Funktion lm() übergeben
relation <- lm(y~x)

print(relation)

Die Ausführung des obigen Codes gibt das Ergebnis aus:

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept)            x  
    -38.4551       0.6746  

Verwenden Sie die Funktionsummary(), um die Zusammenfassung des Beziehungsmodells zu erhalten:

Beispiel

x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)

# An die Funktion lm() übergeben
relation <- lm(y~x)

print(summary(relation))

Die Ausführung des obigen Codes gibt das Ergebnis aus:

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()-Funktion

Die predict()-Funktion wird verwendet, um Werte basierend auf dem von uns erstellten Modell vorherzusagen.

Das Syntaxformat der predict()-Funktion ist wie folgt:

predict(object, newdata)

Parameter description:

  • object - die durch die lm()-Funktion erstellte Formel.
  • newdata - der vorherzusagende Wert.

Im folgenden Beispiel sagen wir einen neuen Gewichtswert voraus:

Beispiel

# Beispieldaten
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)

# An die Funktion lm() übergeben
relation <- lm(y~x)

# Bestimmen Sie das Gewicht für eine Körpergröße von 170cm
a <- data.frame(x = 170)
result <-  predict(relation,a)
print(result)

Die Ausführung des obigen Codes gibt das Ergebnis aus:

1 
76.22869 

Wir können auch ein Diagramm erzeugen:

Beispiel

# Beispieldaten
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)

# png-Bild erzeugen
png(file = "linearregression.png")

# Ein Diagramm erzeugen
plot(y,x,col = "blue",main = "Größe & Gewicht Regression",
abline(lm(x~y)),cex = 1.3,pch = 16,xlab = "Gewicht in Kg",ylab = "Größe in cm")

Das Diagramm sieht wie folgt aus:

R 语言实例R-Sprachbeispiele

Andere Erweiterungen