Šajā rakstā mēs uzzināsim, kā izmantot funkciju lm(), lai pielāgotu lineāros modeļus R programmēšanas valodā.
Lineārais modelis tiek izmantots, lai prognozētu nezināma mainīgā lieluma vērtību, pamatojoties uz neatkarīgiem mainīgajiem. To galvenokārt izmanto, lai noskaidrotu saistību starp mainīgajiem lielumiem un prognozēšanu. Funkcija lm() tiek izmantota, lai pielāgotu lineāros modeļus datu rāmjiem valodā R. To var izmantot, lai veiktu regresiju, viena slāņa dispersijas analīzi un kovariācijas analīzi, lai prognozētu vērtību, kas atbilst datiem, kas nav datu rāmī. Tie ļoti noder nekustamā īpašuma cenu prognozēšanā, laikapstākļu prognozēšanā utt.
Lai pielāgotu lineāro modeli R valodā, izmantojot lm() Mēs vispirms izmantojam funkciju data.frame(), lai izveidotu parauga datu rāmi, kurā ir vērtības, kas jāaprīko lineārajā modelī, izmantojot regresijas funkciju. Pēc tam mēs izmantojam funkciju lm(), lai noteiktu funkciju pielāgotu noteiktajam datu rāmim.
Sintakse:
lm(fiting_formula, dataframe)
Parametrs:
fitting_formula: nosaka lineārā modeļa formulu. dataframe: nosaka tā datu rāmja nosaukumu, kurā ir dati.
Pēc tam mēs varam izmantot funkciju summary(), lai skatītu lineārā modeļa kopsavilkumu. Funkcija summary() interpretē svarīgākās statistiskās vērtības lineārā modeļa analīzei.
bodu ātrums arduino
Sintakse:
kopsavilkums( lineārs_modelis )
Kopsavilkumā ir šāda galvenā informācija:
- Atlikusī standarta kļūda: nosaka kļūdas standartnovirzi, kur dispersijas kvadrātsakne atņem n mīnus 1 + # iesaistīto mainīgo, nevis dala ar n-1. Vairāki R kvadrāti: nosaka, cik labi jūsu modelis atbilst datiem. Pielāgots R kvadrāts: normalizē vairākus R kvadrātus, ņemot vērā, cik jums ir paraugu un cik daudz mainīgo izmantojat. F-Statistic: ir globāls tests, kas pārbauda, vai vismaz viens no jūsu koeficientiem nav nulle.
Piemērs: Piemērs, lai parādītu funkcijas lm() lietošanu.
R
# sample data frame> df <->data.frame>( x=>c>(1,2,3,4,5),> >y=>c>(1,5,8,15,26))> > # fit linear model> linear_model <->lm>(y ~ x^2, data=df)> > # view summary of linear model> summary>(linear_model)> |
>
>
Izvade:
Zvanīt:
lm(formula = y ~ x^2, dati = df)
Atlikumi:
1 2 3 4 5
2000e+00 5329e-15 -3000e+00 -2000e+00 3000e+00
Koeficienti:
Estimate Std. Kļūdas t vērtība Pr(>|t|)
(Pārtvert) -7,0000 3,0876 -2,267 0,10821
x 6,0000 0,9309 6,445 0,00757 **
—
Signif. kodi: 0 ‘***’ 0,001 ‘**’ 0,01 ‘*’ 0,05 ‘.’ 0,1 ‘’ 1
Atlikusī standarta kļūda: 2,944 uz 3 brīvības pakāpēm
Vairāki R kvadrāts: 0,9326, pielāgots R kvadrāts: 0,9102
F-statistika: 41,54 uz 1 un 3 DF, p vērtība: 0,007575
Diagnostikas diagrammas
Diagnostikas diagrammas palīdz mums aplūkot attiecības starp dažādām modeļa statistiskajām vērtībām. Tas palīdz mums analizēt novirzes apjomu un pielāgotā modeļa efektivitāti. Lai skatītu lineārā modeļa diagnostikas grafikus, mēs izmantojam R Language funkciju plot().
Sintakse:
grafiks (lineārs_modelis)
Piemērs: Diagnostikas diagrammas iepriekš uzstādītajam lineārajam modelim.
R
# sample data frame> df <->data.frame>( x=>c>(1,2,3,4,5),> >y=>c>(1,5,8,15,26))> > # fit linear model> linear_model <->lm>(y ~ x^2, data=df)> > # view diagnostic plot> plot>(linear_model)> |
>
>
Izvade:
Ploting Lineārais modelis
Mēs varam attēlot iepriekš uzstādīto lineāro modeli, lai to labi vizualizētu, izmantojot abline () metodi. Vispirms mēs izveidojam datu punktu izkliedes diagrammu un pēc tam pārklājam to ar lineārā modeļa abline diagrammu, izmantojot funkciju abline().
Sintakse:
grafiks (df$x, df$y)
kas ir mavenabline (lineārais_modelis)
Piemērs: Grafika lineārais modelis
R
virkne uz int
# sample data frame> df <->data.frame>( x=>c>(1,2,3,4,5),> >y=>c>(1,5,8,15,26))> > # fit linear model> linear_model <->lm>(y ~ x^2, data=df)> > # Plot abline plot> plot>( df$x, df$y )> abline>( linear_model)> |
>
>
Izvade:
Prognozējiet nezināmo datu punktu vērtības, izmantojot pielāgoto modeli
Lai prognozētu vērtības jaunām ieejām, izmantojot iepriekš aprīkoto lineāro modeli, mēs izmantojam prognozes () funkciju. Funkcija prognozēt() ņem modeli un datu rāmi ar nezināmiem datu punktiem un paredz katra datu punkta vērtību atbilstoši pielāgotajam modelim.
Sintakse:
prognozēt (modelis, dati)
Parametrs:
modelis: nosaka lineāro modeli. dati: nosaka datu rāmi ar nezināmiem datu punktiem.
Piemērs: Jaunu ievades prognozēšana
R
# sample data frame> df <->data.frame>( x=>c>(1,2,3,4,5),> >y=>c>(1,5,8,15,26))> > # fit linear model> linear_model <->lm>(y ~ x^2, data=df)> > # Predict values> predict>( linear_model, newdata =>data.frame>(x=>c>(15,16,17)) )> |
>
>
Izvade:
1 2 3 83 89 95>