如何用R语言做多元线性回归|极客教程

如何用R语言做多元线性回归

在统计学中，多元线性回归是一种用于研究多个自变量和一个因变量之间关系的方法。在R语言中，我们可以很方便地进行多元线性回归分析，通过构建一个包含多个自变量的线性模型来预测因变量。本文将详细介绍如何使用R语言进行多元线性回归分析。

准备数据集

在进行多元线性回归分析之前，首先需要准备一个数据集，其中包含自变量和因变量的数据。在本例中，我们使用R语言内置的iris数据集来进行示范。iris数据集包含了150个观测值，其中包括萼片（Sepal）和花瓣（Petal）的长度和宽度等信息。

以下是查看iris数据集的前几行数据和数据结构的R代码：

# 查看iris数据集的前几行数据
head(iris)
# 查看iris数据集的数据结构
str(iris)

运行以上代码会输出iris数据集的前几行数据和数据结构，方便我们对数据集有一个初步了解。

构建多元线性回归模型

接下来，我们将使用lm()函数来构建多元线性回归模型。在这个示例中，我们将花瓣长度（Petal.Length）和花瓣宽度（Petal.Width）作为自变量，萼片长度（Sepal.Length）作为因变量。以下是构建多元线性回归模型的R代码：

# 构建多元线性回归模型
model <- lm(Sepal.Length ~ Petal.Length + Petal.Width, data = iris)
# 查看模型的摘要信息
summary(model)

运行以上代码后，我们会得到模型的摘要信息，包括回归系数、残差标准误差、决定系数（R-squared）等相关信息。summary()函数可以帮助我们更好地理解模型的性能。

预测和评估

完成模型构建后，我们可以使用predict()函数对新的数据进行预测，并使用相关指标来评估模型的表现。以下是对新数据进行预测和评估的R代码：

# 对新数据进行预测
new_data <- data.frame(Petal.Length = c(1.5, 4.2, 5.1), Petal.Width = c(0.3, 1.2, 2.5))
predictions <- predict(model, newdata = new_data)
predictions

# 评估模型性能
mse <- mean((predictions - new_data$Sepal.Length)^2)
mse

运行以上代码，我们可以得到对新数据的预测结果和均方误差（Mean Squared Error）作为评估模型性能的指标。