R语言回归及其类型

回归分析是一种统计工具，用于估计两个或多个变量之间的关系。总是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对数据进行相应的拟合，并进一步对数据进行预测预报。它帮助企业和组织利用因果/响应变量和独立/预测变量了解其产品在市场上的行为。在这篇文章中，让我们借助实例来了解R编程中的不同类型的回归。

R语言中的回归类型

在R编程中，主要有三种被广泛使用的回归类型。它们是。

线性回归
多重回归
Logistic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一种。在线性回归中，两个变量之间的关系被估计，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。在数学上

R编程中的回归及其类型

其中

x 表示预测者或自变量
y 表示反应或因变量
a 和 b 是系数

R语言执行

在R编程中， lm() 函数被用来创建线性回归模型。

语法： lm(formula)

参数：

formula： 代表数据必须被拟合的公式要了解更多的可选参数，请在控制台使用以下命令：help(“lm”)

例子： 在这个例子中，让我们在图上画出线性回归线，用身高来预测体重。

# 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

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept)            x  
   -39.7137       0.6847

Predicted value of a person with height = 182
      1 
84.9098

R编程中的回归及其类型

多重回归

多元回归是另一种回归分析技术，是线性回归模型的延伸，因为它使用一个以上的预测变量来建立模型。在数学上。

R编程中的回归及其类型

R语言的实现

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(formula, data)

参数

formula： 代表数据必须被拟合的公式
data： 代表需要应用公式的数据帧。

例子： 让我们对R基础包中的空气质量数据集创建一个多元回归模型，并在图上绘制模型。

# 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 = 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

Regression model:
Call:
lm(formula = Ozone ~ Wind + Temp, data = input)

Coefficients:
(Intercept)         Wind         Temp  
    -58.239       -0.739        1.329

R编程中的回归及其类型

逻辑回归

Logistic回归是另一种广泛使用的回归分析技术，可以预测有范围的数值。此外，它还被用于预测分类数据的值。例如，电子邮件是垃圾邮件还是非垃圾邮件，赢家还是输家，男性还是女性，等等。在数学上。

R编程中的回归及其类型

其中。

y 代表响应变量
z 代表自变量或特征的方程式

R语言实现

在R编程中， glm() 函数被用来创建一个逻辑回归模型。

语法： glm(formula, data, family)

参数

formula： 代表一个公式，模型必须在此基础上进行拟合
data： 代表需要应用公式的数据帧
family： 代表要使用的函数类型。”二项式 “用于逻辑回归

例子

# R program to illustrate
# Logistic Regression
 
# Using mtcars dataset
# To create the logistic model
model <- glm(formula = vs ~ wt,
             family = binomial,
             data = mtcars)
 
# Creating a range of wt values
x <- seq(min(mtcarswt),
             max(mtcarswt),
             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(mtcarswt, mtcarsvs, pch = 16,
     xlab = "Weight", ylab = "VS")
lines(x, y)
 
# Saving the file
dev.off()

输出

Call:  glm(formula = vs ~ wt, family = binomial, data = mtcars)

Coefficients:
(Intercept)           wt  
      5.715       -1.911  

Degrees of Freedom: 31 Total (i.e. Null);  30 Residual
Null Deviance:      43.86 
Residual Deviance: 31.37        AIC: 35.37