# 很棒的R语言回归模型和方差模型

1、回归模型

```> data(faithful)
> attach(faithful)
>  names(faithful)
[1] "eruptions" "waiting"
> plot(eruptions,waiting,col="blue")```

```> lm(waiting~eruptions)
Call:
lm(formula = waiting ~ eruptions)
Coefficients:
(Intercept)    eruptions
33.47        10.73  ```

> par(mfrow=c(2,2))

> plot(lm(waiting~eruptions),col="blue")

2、多元回归模型

R的内置档案stackloss，记录了由氧化氨气而制造硝酸的数据。数据包括4列：Air.Flow(空气流量)、Water.Temp(水温)、Acid.Conc.(硝酸浓度)、stack.loss(氨气损失之百分比)。

```> data(stackloss)
> attach(stackloss)
The following object is masked _by_ .GlobalEnv:
stack.loss
The following object is masked from package:datasets:
stack.loss
> stackloss.lm=lm(stack.loss~Air.Flow+Water.Temp+Acid.Conc.)
> summary(stackloss.lm)
Call:
lm(formula = stack.loss ~ Air.Flow + Water.Temp + Acid.Conc.)
Residuals:
Min      1Q  Median      3Q     Max
-7.2377 -1.7117 -0.4551  2.3614  5.6978
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -39.9197    11.8960  -3.356  0.00375 **
Air.Flow      0.7156     0.1349   5.307  5.8e-05 ***
Water.Temp    1.2953     0.3680   3.520  0.00263 **
Acid.Conc.   -0.1521     0.1563  -0.973  0.34405
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 3.243 on 17 degrees of freedom
Multiple R-squared:  0.9136,    Adjusted R-squared:  0.8983
F-statistic:  59.9 on 3 and 17 DF,  p-value: 3.016e-09```

stack.loss=−39.9197+0.7156Air.Flow+1.2953Water.Temp−0.1521Acid.Conc.

```> stackloss.lm=lm(stack.loss~Air.Flow+Water.Temp)
> summary(stackloss.lm)
Call:
lm(formula = stack.loss ~ Air.Flow + Water.Temp)
Residuals:
Min      1Q  Median      3Q     Max
-7.5290 -1.7505  0.1894  2.1156  5.6588
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -50.3588     5.1383  -9.801 1.22e-08 ***
Air.Flow      0.6712     0.1267   5.298 4.90e-05 ***
Water.Temp    1.2954     0.3675   3.525  0.00242 **
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 3.239 on 18 degrees of freedom
Multiple R-squared:  0.9088,    Adjusted R-squared:  0.8986
F-statistic: 89.64 on 2 and 18 DF,  p-value: 4.382e-10
> stackloss.lm=lm(stack.loss~Air.Flow+Water.Temp)
> summary(stackloss.lm)
Call:
lm(formula = stack.loss ~ Air.Flow + Water.Temp)
Residuals:
Min      1Q  Median      3Q     Max
-7.5290 -1.7505  0.1894  2.1156  5.6588
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -50.3588     5.1383  -9.801 1.22e-08 ***
Air.Flow      0.6712     0.1267   5.298 4.90e-05 ***
Water.Temp    1.2954     0.3675   3.525  0.00242 **
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 3.239 on 18 degrees of freedom
Multiple R-squared:  0.9088,    Adjusted R-squared:  0.8986
F-statistic: 89.64 on 2 and 18 DF,  p-value: 4.382e-10```

stack.loss=−50.3588+0.6712Air.Flow+1.2954Water.Temp

> par(mfrow=c(2,2))

> plot(stackloss.lm,col="blue")

> stackloss.lm=lm(stack.loss~Air.Flow+Water.Temp+Acid.Conc.,subset=c(-4,-21))

> plot(stackloss.lm,col="blue")

3、方差分析模型

R内置数据里面PlantGrowth记录了用不同肥料种植植物的重量。

```> data(PlantGrowth)
> attach(PlantGrowth)
> names(PlantGrowth)
[1] "weight" "group"
> group=as.factor(group)```

```> plot(group,weight,main="植物重量",xlab="肥料")
> summary(aov(weight~group))
Df Sum Sq Mean Sq F value Pr(>F)
group        2  3.766  1.8832   4.846 0.0159 *
Residuals   27 10.492  0.3886
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> ```

0 条评论

• ### 用Python开始机器学习：推荐算法之推荐矩阵

每个人都会有这样的经历：当你在电商网站购物时，你会看到天猫给你弹出的“和你买了同样物品的人还买了XXX”的信息；当你在SNS社交网站闲逛时，也会看到弹出的“你可...

• ### 在线民宿满意度测评项目[开源]

使用Selenium模拟浏览器点击翻页操作，并配合Request实现了携程网爬虫封锁和自动化的采集民宿UGC内容的功能，提取后的民宿地址和在线评论等信息如下。

• ### 如何处理 Python 入门难以进步的现象？

问题： 如何处理 Python 入门难以进步的现象？ 看视频看呀看呀看， 看完了，基础的都懂了 然后就想写点东西 可是无从下手呀，我以为基础不扎实，又去看视...

• ### ASP.NET MVC5+EF6+EasyUI 后台管理系统（86）-日程管理-fullcalendar插件用法

前言 本文分享fullcalendar用法,最后面提供代码下载 说到日程管理,基于JQuery的插件FullCalendar当之无愧,完整的API稳定和调...

• ### 在laravel框架中使用model层的方法

创建model：php artisan make:model privilegeModel（名字随便写，可以不加Model）

• ### 餐饮下单小程序有哪些功能和特点 点餐小程序优势有哪些？

在互联网时代，所有行业的竞争无论是时间维度还是空间维度都是不断扩大的，餐饮业的运营肯定也是绕不开的。而由于微信小程序的出现，更是给餐饮业开放了另一个空间，特别是...

• ### 即学即用Kotlin - 协程

上周在内部分享会上大佬同事分享了关于 Kotlin 协程的知识，之前有看过 Kotlin 协程的一些知识，以为自己还挺了解协程的，结果...

• ### Weblogic远程代码执行漏洞处置建议

北京时间10月17日凌晨，Oracle官方发布了10月份（第三季度）关键补丁更新CPU（Critical Patch Update）,本次更新补丁中针对Webl...

• ### 如何精确评估开发时间的 4 个小套路？

一个程序员能否精确评估开发时间，是一件非常重要的事情。如果你掌握了这项技能，你在别人的眼里就会是这样：