<\/p>\n
Um ein lineares Regressionsmodell in R anzupassen, k\u00f6nnen wir die Funktion lm()<\/strong> verwenden, die die folgende Syntax verwendet:<\/span><\/p>\n Anschlie\u00dfend k\u00f6nnen wir die folgende Syntax verwenden, um mithilfe des Modells einen einzelnen Wert vorherzusagen:<\/span><\/p>\n Die folgenden Beispiele zeigen, wie man einen einzelnen Wert mithilfe angepasster Regressionsmodelle in R vorhersagt.<\/span><\/p>\n Der folgende Code zeigt, wie ein einfaches lineares Regressionsmodell in R angepasst wird:<\/span><\/p>\n Und wir k\u00f6nnen den folgenden Code verwenden, um den Antwortwert f\u00fcr eine neue Beobachtung vorherzusagen:<\/span><\/p>\n Das Modell sagt voraus, dass diese neue Beobachtung einen Antwortwert von 25,36364<\/strong> haben wird.<\/span><\/p>\n Der folgende Code zeigt, wie ein multiples lineares Regressionsmodell in R angepasst wird:<\/span><\/p>\n Und wir k\u00f6nnen den folgenden Code verwenden, um den Antwortwert f\u00fcr eine neue Beobachtung vorherzusagen:<\/span><\/p>\n Das Modell sagt voraus, dass diese neue Beobachtung einen Antwortwert von 26,17073<\/strong> haben wird.<\/span><\/p>\n Der h\u00e4ufigste Fehler, der bei der Vorhersage eines neuen Werts auftreten kann, besteht darin , dass der Datensatz, den Sie zur Anpassung des Regressionsmodells verwendet haben, nicht dieselben Spaltennamen aufweist wie die neue Beobachtung, die Sie vorhersagen m\u00f6chten<\/strong> .<\/span><\/p>\n Angenommen, wir passen das folgende multiple lineare Regressionsmodell in R an:<\/span><\/p>\n Nehmen wir als N\u00e4chstes an, wir versuchen, das Modell zu verwenden, um den Antwortwert f\u00fcr diese neue Beobachtung vorherzusagen:<\/span><\/p>\n Wir haben eine Fehlermeldung erhalten, weil die Spaltennamen der neuen Beobachtung (x_1, x_2) nicht mit den Spaltennamen des urspr\u00fcnglichen Datenrahmens (x1, x2) \u00fcbereinstimmen, den wir zur Anpassung des Regressionsmodells verwendet haben.<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a> Um ein lineares Regressionsmodell in R anzupassen, k\u00f6nnen wir die Funktion lm() verwenden, die die folgende Syntax verwendet: model <- lm(y ~ x1 + x2, data=df) Anschlie\u00dfend k\u00f6nnen wir die folgende Syntax verwenden, um mithilfe des Modells einen einzelnen Wert vorherzusagen: predict(model, newdata = new) Die folgenden Beispiele zeigen, wie man einen einzelnen Wert mithilfe […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n model <- lm(y ~ x1 + x2, data=df)\n<\/strong><\/pre>\n
predict(model, newdata = new)<\/strong><\/pre>\n
Beispiel 1: Vorhersage mithilfe eines einfachen linearen Regressionsmodells<\/strong><\/span><\/h3>\n
#create data\n<\/span>df <- data. frame<\/span> (x=c(3, 4, 4, 5, 5, 6, 7, 8, 11, 12),\n y=c(22, 24, 24, 25, 25, 27, 29, 31, 32, 36))\n\n#fit simple linear regression model\n<\/span>model <- lm(y ~ x, data=df)<\/strong><\/pre>\n #define new observation\n<\/span>new <- data. frame<\/span> (x=c(5))\n\n#use the fitted model to predict the value for the new observation\n<\/span>predict(model, newdata = new)\n\n 1 \n25.36364 \n<\/strong><\/pre>\n Beispiel 2: Vorhersage mithilfe eines multiplen linearen Regressionsmodells<\/strong><\/span><\/h3>\n
#create data\n<\/span>df <- data. frame<\/span> (x1=c(3, 4, 4, 5, 5, 6, 7, 8, 11, 12),\n x2=c(6, 6, 7, 7, 8, 9, 11, 13, 14, 14),\n y=c(22, 24, 24, 25, 25, 27, 29, 31, 32, 36))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y ~ x1 + x2, data=df)<\/strong><\/pre>\n #define new observation\n<\/span>new <- data.frame(x1=c(5),\n x2=c(10))\n\n#use the fitted model to predict the value for the new observation\n<\/span>predict(model, newdata = new)\n\n 1 \n26.17073 \n<\/strong><\/pre>\n M\u00f6gliche Fehler bei der Vorhersage neuer Werte<\/strong><\/span><\/h3>\n
#createdata\n<\/span>df <- data. frame<\/span> (x1=c(3, 4, 4, 5, 5, 6, 7, 8, 11, 12),\n x2=c(6, 6, 7, 7, 8, 9, 11, 13, 14, 14),\n y=c(22, 24, 24, 25, 25, 27, 29, 31, 32, 36))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y ~ x1 + x2, data=df)<\/strong><\/pre>\n #define new observation\n<\/span>new <- data.frame(x_1=c(5),\n x_2=c(10))\n\n#use the fitted model to predict the value for the new observation\n<\/span>predict(model, newdata = new)\n\nError in eval(predvars, data, env): object 'x1' not found\n<\/span><\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a>
So erstellen Sie ein Residuendiagramm in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"