R语言学习 |
您所在的位置:网站首页 › 加拿大移民项目有哪些项目 › R语言学习 |
回归模型重要的基础或者方法就是回归分析,回归分析是研究一个变量(被解释变量)关于另一个(些)变量(解释变量)的具体依赖关系的计算方法和理论, 是建模和分析数据的重要工具。 常见的回归分析模型有:线性回归,逻辑回归,多项式回归,逐步回归。 线性回归:线性回归使用最佳的拟合直线(也就是回归线)在因变量(Y)和一个或多个自变量(X)之间建立一种关系。 逻辑回归:逻辑回归是用来计算“事件=Success”和“事件=Failure”的概率。当因变量的类型属于二元(1 / 0,真/假,是/否)变量时,我们就应该使用逻辑回归。 多项式回归:对于一个回归方程,如果自变量的指数大于1,那么它就是多项式回归方程。即: y=ax^2+bx+c,它是一个用于拟合数据点的曲线。 逐步回归:通过观察统计的值,如R-square(拟合度,越接近1越好),t-stats和AIC指标(寻找可以最好地解释数据但包含最少自由参数的模型,越小越好),来识别重要的变量。即通过同时添加/删除基于指定标准的协变量来拟合模型。 向散点图中添加回归模型拟合线运行stat_smooth()函数并设定method=lm,即可向散点图添加线性回归分析拟合线。 例:我们使用R语言自带数据集heightweight 一,老规矩,查看数据的基本构造和格式。 library(gcookbook) head(heightweight) str(heightweight) 二,绘制散点图 library(ggplot2) p1 |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |