R编程中的回归及其类型 _回归

回归类型
线性回归
多重回归
逻辑回归

目录回归分析是一种估算两个或多个变量之间关系的统计工具。总会有一个响应变量和一个或多个预测变量。回归分析被广泛用于相应地拟合数据, 并进一步预测数据以进行预测。它可以帮助企业和组织使用因变量/响应变量和自变量/预测变量来了解其产品在市场中的行为。在本文中, 让我们了解不同类型的回归R编程借助示例。
回归类型 R编程中主要有三种类型的回归被广泛使用。他们是：

线性回归
多重回归
逻辑回归

线性回归线性回归模型是三种回归类型中广泛使用的模型之一。在线性回归中, 估计两个变量之间的关系, 即一个响应变量和一个预测变量。线性回归在图形上产生一条直线。数学上

文章图片

其中, x表示预测变量或自变量y表示响应变量或因变量a和b为系数

在R中实施在R程式设计中lm()函数用于创建线性回归模型。

语法：lm(公式)参数：公式：表示必须在其上拟合数据的公式要了解更多可选参数, 请在控制台中使用以下命令：help(" lm")

例子：
在此示例中, 让我们在图形上绘制线性回归线, 并根据身高预测体重。

# R program to illustrate # Linear Regression# Height vector x < - c (153, 169, 140, 186, 128, 136, 178, 163, 152, 133)# Weight vector y < - c (64, 81, 58, 91, 47, 57, 75, 72, 62, 49)# Create a linear regression model model < - lm (y~x)# Print regression model print (model)# Find the weight of a person # With height 182 df < - data.frame (x = 182) res < -predict (model, df) cat ("\nPredicted value of a person with height = 182") print (res)# Output to be present as PNG file png (file = "linearRegGFG.png" )# Plot plot (x, y, main = "Height vs Weight Regression model") abline ( lm (y~x))# Save the file. dev.off ()

输出如下：

Call:lm(formula = y ~ x)Coefficients:(Intercept)x-39.71370.6847Predicted value of a person with height = 1821 84.9098

文章图片
多重回归多元回归是回归分析技术的另一种类型, 它是线性回归模型的扩展, 因为它使用多个预测变量来创建模型。数学上

文章图片
在R中实施 R编程中的多元回归使用相同的lm()函数来创建模型。

语法：lm(公式, 数据)参数：公式：表示必须在其上拟合数据的公式数据：表示必须在其上应用公式的数据框

例子：
让我们创建R基础包中存在的空气质量数据集的多元回归模型, 并将该模型绘制在图上。

# R program to illustrate # Multiple Linear Regression# Using airquality dataset input < - airquality[1:50, c ( "Ozone" , "Wind" , "Temp" )]# Create regression model model < - lm (Ozone~Wind + Temp, data = https://www.lsbin.com/input)# Print the regression model cat ("Regression model:\n" ) print (model)# Output to be present as PNG file png (file = "multipleRegGFG.png" )# Plot plot (model)# Save the file. dev.off ()

输出如下：

Regression model:Call:lm(formula = Ozone ~ Wind + Temp, data = https://www.lsbin.com/input)Coefficients:(Intercept)WindTemp-58.239-0.7391.329

文章图片
逻辑回归 Logistic回归是另一种广泛使用的回归分析技术, 可预测范围内的值。此外, 它用于预测分类数据的值。例如, 电子邮件既可以是垃圾邮件, 也可以是非垃圾邮件, 无论是赢家还是输家, 无论是男性还是女性, 等等。

文章图片

其中, y表示响应变量z表示自变量或特征的方程

在R中实施在R程式设计中glm()函数用于创建逻辑回归模型。

语法：glm(公式, 数据, 族)参数：公式：代表必须根据其拟合模型的公式数据：代表必须在其上应用公式的数据框家族：代表要使用的功能类型。 Logistic回归的"二项式"

例子：

# R program to illustrate # Logistic Regression# Using mtcars dataset # To create the logistic model model < - glm (formula = vs ~ wt, family = binomial, data = https://www.lsbin.com/mtcars)# Creating a range of wt values x < - seq ( min (mtcars$wt), max (mtcars$wt), 0.01)# Predict using weight y < - predict (model, list (wt = x), type ="response" )# Print model print (model)# Output to be present as PNG file png (file = "LogRegGFG.png" )# Plot plot (mtcars$wt, mtcars$vs, pch = 16, xlab = "Weight" , ylab = "VS" ) lines (x, y)# Saving the file dev.off ()

【R编程中的回归及其类型】输出如下：

Call:glm(formula = vs ~ wt, family = binomial, data = https://www.lsbin.com/mtcars)Coefficients:(Intercept)wt5.715-1.911Degrees of Freedom: 31 Total (i.e. Null); 30 ResidualNull Deviance:43.86 Residual Deviance: 31.37AIC: 35.37