Regresja liniowa – metoda podstawowa

Nadzorowane uczenie maszynowe w R: regresja

Nina Zumel and John Mount

Win-Vector LLC

Regresja liniowa

$$y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + ...$$

$y$ jest liniowo powiązane z każdym $x_i$
Każde $x_i$ wpływa addytywnie na $y$

Regresja liniowa w R: lm()

cmodel <- lm(temperature ~ chirps_per_sec, data = cricket)

formuła: temperature ~ chirps_per_sec
ramka danych: cricket

Formuły

fmla_1 <- temperature ~ chirps_per_sec
fmla_2 <- blood_pressure ~ age + weight

LHS: zmienna wynikowa
RHS: zmienne wejściowe
- użyj + dla wielu zmiennych

fmla_1 <- as.formula("temperature ~ chirps_per_sec")

Analiza modelu

$$ y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + ... $$

cmodel

Call:
lm(formula = temperature ~ chirps_per_sec, data = cricket)

Coefficients:
   (Intercept)  chirps_per_sec  
        25.232           3.291

Więcej informacji o modelu

summary(cmodel)

Call:
lm(formula = fmla, data = cricket)

Residuals:
   Min     1Q Median     3Q    Max 
-6.515 -1.971  0.490  2.807  5.001 

Coefficients:
               Estimate Std. Error t value Pr(>|t|)    
(Intercept)     25.2323    10.0601   2.508 0.026183 *  
chirps_per_sec   3.2911     0.6012   5.475 0.000107 ***

Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 3.829 on 13 degrees of freedom
Multiple R-squared:  0.6975, Adjusted R-squared:  0.6742 
F-statistic: 29.97 on 1 and 13 DF,  p-value: 0.0001067

Więcej informacji o modelu

broom::glance(cmodel)

sigr::wrapFTest(cmodel)

Czas na ćwiczenia!

Nadzorowane uczenie maszynowe w R: regresja