📅  最后修改于: 2023-12-03 15:22:16.293000             🧑  作者: Mango
在数据分析中,线性回归是一种很常见的方法,它可以帮助我们探索自变量与因变量之间的关系。而在 R 中,进行简单线性回归也非常方便。本文将介绍如何在 R 中进行简单线性回归,并演示一些实用的技巧。
在进行线性回归之前,我们需要先准备好数据。这里以 mtcars
数据集为例,该数据集包含了一些关于汽车性能的数据,我们将使用其中的 wt
和 mpg
两列数据进行简单线性回归。首先,让我们加载数据:
data(mtcars)
在 R 中,可以使用 lm()
函数构建线性回归模型。我们将 wt
作为自变量,mpg
作为因变量:
model <- lm(mpg ~ wt, data = mtcars)
现在,我们已经得到了模型,那么如何查看模型的结果呢?在 R 中,可以使用 summary()
函数输出模型摘要:
summary(model)
输出结果包括:
有了模型之后,我们可以使用 predict()
函数来预测新样本的因变量值。例如,我们想预测一辆车的重量为 3.5 时的油耗值,可以执行以下命令:
new_data <- data.frame(wt = 3.5)
predicted_mpg <- predict(model, new_data)
predicted_mpg
最后,我们可以使用 ggplot2
包绘制一些图表来可视化我们的数据和模型。下面是一个简单的散点图:
library(ggplot2)
ggplot(mtcars, aes(x = wt, y = mpg)) +
geom_point() +
geom_smooth(method = "lm")
在这个图表中,我们使用 ggplot()
函数创建了一个绘图对象,然后使用 geom_point()
函数将 wt
和 mpg
数据绘制为散点图,最后使用 geom_smooth()
函数添加了用来拟合该数据集的线性回归模型。
至此,我们已经完成了简单线性回归的实践。希望这篇文章对你有所帮助!