獲取預測模型
因為海藻數量基本是數值型資料，所以考慮進行迴歸分析（多元線性迴歸模型），一個變數和一組解釋變數的關係

 clean.algae <- knnImputation(algae,k = 10)

>lm.a1 <- lm(a1 ~ . ,data = clean.algae[,1:12])
#.的意思是求a1和其他所有的資料之間的線性關係；屬性1+屬性2的方法也行
> summary(lm.a1)
> #使用summary()檢視結果

檢視結果之後發現系統生成了幾個輔助變數seasonspring
seasonsummer
seasonwinter
sizemedium
sizesmall

• R-squared 是評價模型好壞的一個指標取值在c(0:1),越接近1越好。

精簡迴歸模型

之前我們將左右的變數都與a1的變化進行了繫結分析，但這是不一定科學的，因為存在變數不與a1有明顯的線性關係。

下面我們要去除一些相關性不大的變數，使用 向後消元法anova() 來精簡迴歸模型（根據模型殘差平方和的變化），平時說的 分差分析。

方差分析的基本思想：通過分析研究不同來源的變異對總變異的貢獻大小，從而確定可控因素對研究結果影響力的大小。
方差分析主要用途

：①均數差別的顯著性檢驗，②分離各有關因素並估計其對總變異的作用，③分析因素間的互動作用，④方差齊性檢驗。

> anova(lm.a1)

Sum Sq表示模型與資料的緊密匹配

> anova(lm.a1,lm.a2)

可以看到去除掉變數season之後Sum of Sq（方差）已經減少了471.71，方差分析是一個逐步精化的過程，R語言也非常友好地提供了精化到最終結果的方法。

> final.lm <- step(lm.a1)
> #使用final.lm接受最後結果，step()可以看到每一步精化的過程