R中的線性迴歸分析
阿新 • • 發佈：2019-02-06
迴歸分析(regression analysis)
迴歸分析是研究自變數與因變數之間關係形式的分析方法，它主要是通過建立因變數Y與影響它的自變數Xi(i=1,2,3...)之間的迴歸模型，來預測因變數Y的發展趨勢。簡單線性迴歸模型
Y=a+b*X+e
Y——因變數
X——自變數
a——常數項，是迴歸直線在縱軸上的截距
b——迴歸係數，是迴歸直線的斜率
e——隨機誤差，即隨機因素對因變數所產生的影響
迴歸分析函式
lm(formula)
formula：迴歸表示式y~x+1
lm型別的迴歸結果，一般使用summary函式進行檢視
預測函式
predic(lmModel,predictData,level=置信度)
引數說明：
lmModel：迴歸分析得到的模型
predictData：需要預測的值
level：置信度
返回值：預測結果
data <- read.table('data.csv', header=T, sep=','); #第一步，根據預測目標，確定自變數和因變數； #第二步，繪製散點圖，確定迴歸模型型別； plot(data$廣告費用, data$購買使用者數) #第三步，估計模型引數，建立迴歸模型； lmModel <- lm(formula = 購買使用者數 ~ 1 + 廣告費用, data=data) #第四步，對迴歸模型進行檢測； summary(lmModel) #第五步，利用迴歸模型進行預測。 pData <- read.table('newData.csv', header=T, sep=',', fileEncoding = 'utf8'); fix(pData) predict(lmModel, pData, level=0.95)
多重線性迴歸，是同樣的道理：
#第一步，根據預測目標，確定自變數和因變數； #第二步，繪製散點圖，確定迴歸模型型別； plot(data$廣告費用, data$購買使用者數) plot(data$渠道數, data$購買使用者數) #第三步，估計模型引數，建立迴歸模型； lmModel <- lm(formula = 購買使用者數 ~ 1 + 廣告費用 + 渠道數, data=data) #第四步，對迴歸模型進行檢測； summary(lmModel) #第五步，利用迴歸模型進行預測。 pData <- read.table('newData.csv', header=T, sep=',', fileEncoding = 'utf8'); predict(lmModel, pData, level=0.95)