| R语言中的逐步回归 绘制ROC曲线 r语言做回归分析的命令 | 您所在的位置：网站首页 › stata做回归分析命令reg › R语言中的逐步回归 绘制ROC曲线 r语言做回归分析的命令 |
R语言中的逐步回归 绘制ROC曲线 r语言做回归分析的命令
|
回归分析回归回归分析类型简单线性回归lm()函数线性拟合常用函数可视化：plot（）多元回归逐步回归法全子集回归法 回归 根据一大堆数据，找到内在规律 （模拟一个最好的解释曲线，由自变量可以计算得到因变量） 回归分析类型回归分析简单可以分为线性回归和非线性回归： 线性回归：简单线性、多项式、多元线性、Logistic回归等（类似于一元一次方程、一元多次方程、多元多次方程） 非线性回归：
注：线性回归一般用最小二乘回归法（OLS） lm()函数说明： 可用于拟合线性模型，执行回归、方差单层分析和协方差分析用法： lm(formula, data, subset, weights, na.action, method = “qr”, model = TRUE, x = FALSE, y = FALSE, qr = TRUE, singular.ok = TRUE, contrasts = NULL, offset, …)示例： fit |t|):估计系数为0假设的概率 小于0.05比较好Signif. codes:（显著性）对t和P进行标记 三星最好Residual standard error:（残差标准误差） 越小越好Multiple R-squared:（R方）回归模型所能解释的响应变量的方差比例。越大越好 例如：图表表示这个模型能够解释数据集中99.1%的数据，只有0.9%的不符合这个模型F-statistic: （F统计量）说明模型用线性拟合显著，P越小越好线性拟合常用函数
生成：残差拟合图，正态QQ图，大小位置图，残差影响图
多元回归函数同样是lm()，只是包含多个自变量，并用“+”连接起来
若各个变量之间存在交互，则可以用“：”作为交互变量
多个变量间不能一一交互，此时考虑逐步回归法和全子集回归法 逐步回归法逐步回归法分为“先前逐步回归”和“向后逐步回归”
Adjust R2、Cp、BIC是三个用来评价模型的统计量； Adjust R2越接近1说明模型拟合得越好；其他两个指标则是越小越好。 从图中可见，当Adjusted R2最大（0.55）时，选出的2个特征为：“Population”, “Illiteracy”
|
【本文地址】
公司简介
联系我们