共计 1852 个字符,预计需要花费 5 分钟才能阅读完成。
这篇文章主要讲解了“R 语言线性回归怎么使用”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着丸趣 TV 小编的思路慢慢深入,一起来研究和学习“R 语言线性回归怎么使用”吧!
一、R 安装
R for Mac OS
RStudio
二、线性回归基础
eg1:
凭我们的学习经验可知,物理成绩确实与数学成绩有一定的关系。但是除此之外,还存在其他影响物理成绩的因素, 例如,,是否喜欢物理,用再物理学习上的时间等
eg2:
商品销售收入与广告支出经费之间的关系,商品销售收入与广告支出经费有着密切的联系。但是还有很多其他因素
eg3:
粮食产量与施肥量之间的关系。在一定范围内,施肥量越大,粮食产量就越高,但是施肥量并不是影响粮食产量的唯一因素。
年龄 23273941454950 脂肪 9.517.821.225.927.526.328.2 年龄 53545657586061 脂肪 29.630.231.430.833.535.234.6
人体的脂肪含量与年龄之间的有怎样的关系?
首先我们做散点图。以 x 轴表示年龄,y 轴表示脂肪。(自己做散点图,)
从散点图,可以看出,它们散布在从左下角到右上角的区域。对于两个变量的这种相关关系,我们称之为正相关。还有一些变量,例如汽车的重量和汽车每消耗 lL 汽油所行驶的平均路程,称为负相关。
从散点图可以看出,这些点大致分布在通过散点图中心的一条直线附近。如果散点图中心分布从整体上看大致在一条直线附近,我们就称这两个变量之间具有线性相关关系,这条直线称为回归直线 (regression line). 如果能够求出这条回归直线的方程 (回归方程),那么我们就比较清楚了解年龄与脂肪的关系。
最小二乘法
实际上,求回归方程的关键是如何用数学的方法刻画“从整体上看,各点到此直线的距离最小”
假设该直线为 y = bx + a
注意:
(x1,y1)(x2,y2)…(xi,yi).. 一个个点。到直线的距离,我们可以用点到直线的距离算出,但是这个比较复杂。
所以第一个简化 == 点 (xi,yi) , 垂直向上,或垂直向下到直线的距离 yi – y = yi – (bxi + a)
但是 yi – y 有正负之分,所以我们第二次简化,算平方
Q = (y1 – bx1 – a)^2 + (y2 – bx2 – a)^2 + …. + (yi – bxi – a)^2 + …
只要计算出使得 Q 的最小的 a 和 b,就能得到该回归方程。
可以使用偏导数计算得出 a,b
a = …
b = …
b 是回归直线的斜率,a 是截距
相关关系的强弱
我们知道不是所有两个变量的关系都是线性的,如何判断是否能使用线性回归呢?
统计中用相关系数 r 来衡量两个变量之间的线性关系强弱。
r = …
统计学认为 如果 r – [-1,-0.75] 那么负相关很强,r – [-0.75,-0.30] 负相关性一般,r – [-0.25,0.25] 相关性弱,
r – [0.75,1] 那么正相关很强,r – [0.30,0.75] 正相关性一般,
三、RStudio 测试
数据:
研究婴儿生理发育 issue,并收集了 10 名婴儿在出生后一年内的月龄和体重数据。
年龄 (月)010305021109030912 体重 (kg)4.45.37.25.28.57.36.010.410.2
036.1
我们用 c() 函数以向量的形式输入月龄和体重
x_age=c(1,3,5,2,11,9,3,9,12,3)
y_weight=c(4.4,5.3,7.2,5.2,8.5,7.3,6.0,10.4,10.2,6.1)
mean(y_weight) = 计算平均数
[1] 7.06
sd(y_weight) = 计算标准差
[1] 2.077498
cor(x_age,y_weight) = 计算相关性
[1] 0.9075655
plot(x_age,y_weight) = 画散点图
cor_xy = lm(y_weight~x_age + 1) = 设置拟合曲线方程式
plot(cor_xy) = 画回归直线
coef(cor_xy) = 计算回归直线的斜率和截距
(Intercept) x_age
4.3596206 0.4655827
z = data.frmae(x_age=13)
predict(cor_xy,z) = 我们来预测 13 个月的婴儿的体重
感谢各位的阅读,以上就是“R 语言线性回归怎么使用”的内容了,经过本文的学习后,相信大家对 R 语言线性回归怎么使用这一问题有了更深刻的体会,具体使用情况还需要大家实践验证。这里是丸趣 TV,丸趣 TV 小编将为大家推送更多相关知识点的文章,欢迎关注!