R中的线性回归分析
回归分析(regression analysis)
回归分析是研究自变量与因变量之间关系形式的分析方法，它主要是通过建立因变量Y与影响它的自变量Xi(i=1,2,3...)之间的回归模型，来预测因变量Y的发展趋势。
简单线性回归模型
Y=a+b*X+e
Y——因变量
X——自变量
a——常数项，是回归直线在纵轴上的截距
b——回归系数，是回归直线的斜率
e——随机误差，即随机因素对因变量所产生的影响
回归分析函数
lm(formula)
formula：回归表达式y~x+1
lm类型的回归结果，一般使用summary函数进行查看
预测函数
predic(lmModel,predictData,level=置信度)
参数说明：
lmModel：回归分析得到的模型
predictData：需要预测的值
level：置信度
返回值：预测结果
data <- read.table('data.csv', header=T, sep=',');
#第一步，根据预测目标，确定自变量和因变量；
#第二步，绘制散点图，确定回归模型类型；
plot(data$广告费用, data$购买用户数)
#第三步，估计模型参数，建立回归模型；
lmModel <- lm(formula = 购买用户数 ~ 1 + 广告费用, data=data)
#第四步，对回归模型进行检测；
summary(lmModel)
#第五步，利用回归模型进行预测。
pData <- read.table('newData.csv', header=T, sep=',', fileEncoding = 'utf8');
fix(pData)
predict(lmModel, pData, level=0.95)多重线性回归，是同样的道理：
#第一步，根据预测目标，确定自变量和因变量；
#第二步，绘制散点图，确定回归模型类型；
plot(data$广告费用, data$购买用户数)
plot(data$渠道数, data$购买用户数)
#第三步，估计模型参数，建立回归模型；
lmModel <- lm(formula = 购买用户数 ~ 1 + 广告费用 + 渠道数, data=data)
#第四步，对回归模型进行检测；
summary(lmModel)
#第五步，利用回归模型进行预测。
pData <- read.table('newData.csv', header=T, sep=',', fileEncoding = 'utf8');
predict(lmModel, pData, level=0.95)本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2017年07月17日，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录