<\/p>\n
Die Funktion lm()<\/strong> in R kann zur Anpassung linearer Regressionsmodelle verwendet werden.<\/span><\/p>\n Sobald wir ein Modell angepasst haben, k\u00f6nnen wir die Funktion \u201epredict()\u201c<\/strong> verwenden, um den Antwortwert einer neuen Beobachtung<\/a> vorherzusagen.<\/span><\/p>\n Diese Funktion verwendet die folgende Syntax:<\/span><\/p>\n Vorhersage(Objekt, neue Daten, Typ = \u201eAntwort\u201c)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie die Funktion lm()<\/strong> verwenden, um ein lineares Regressionsmodell in R anzupassen, und wie Sie dann die Funktion Predict()<\/strong> verwenden, um den Antwortwert einer neuen Beobachtung vorherzusagen, die das Modell noch nie zuvor gesehen hat.<\/span><\/p>\n Angenommen, wir haben den folgenden Datenrahmen in R, der Informationen \u00fcber verschiedene Basketballspieler enth\u00e4lt:<\/span><\/p>\n Angenommen, wir m\u00f6chten das folgende multiple lineare Regressionsmodell<\/a> unter Verwendung der gespielten Minuten und der Gesamtzahl der Fouls anwenden, um die Anzahl der von jedem Spieler erzielten Punkte vorherzusagen:<\/span><\/p>\n Punkte = \u03b2 0<\/sub> + \u03b2 1<\/sub> (Minuten) + \u03b2 2<\/sub> (Fouls)<\/strong><\/span><\/p>\n Wir k\u00f6nnen die Funktion lm()<\/strong> verwenden, um dieses Modell anzupassen:<\/span><\/span><\/p>\n Mithilfe der Koeffizienten aus den Modellergebnissen k\u00f6nnen wir die angepasste Regressionsgleichung schreiben:<\/span><\/p>\n Punkte = -11,8949 + 0,9774 (Minuten) + 2,1838 (Fouls)<\/strong><\/span><\/p>\n Mit der Funktion \u201epredict()\u201c<\/strong> k\u00f6nnen wir dann vorhersagen, wie viele Punkte ein Spieler erzielen wird, der 15 Minuten lang spielt und insgesamt 3 Fouls begeht:<\/span><\/p>\n Das Modell sagt voraus, dass dieser Spieler 9,317731<\/strong> Punkte erzielen wird.<\/span><\/p>\n Beachten Sie, dass wir auch mehrere Vorhersagen gleichzeitig treffen k\u00f6nnen, wenn wir \u00fcber einen Datenrahmen verf\u00fcgen, der mehrere neue Beobachtungen enth\u00e4lt.<\/span><\/p>\n Der folgende Code zeigt beispielsweise, wie das angepasste Regressionsmodell verwendet wird, um die Punktwerte von drei Spielern vorherzusagen:<\/span><\/p>\n So interpretieren Sie das Ergebnis:<\/span><\/p>\n Die Spaltennamen im neuen Datenrahmen m\u00fcssen genau mit den Spaltennamen im Datenrahmen \u00fcbereinstimmen, die zum Erstellen des Modells verwendet wurden.<\/span><\/p>\n Beachten Sie, dass in unserem vorherigen Beispiel der Datenrahmen, den wir zum Erstellen des Modells verwendet haben, die folgenden Spaltennamen f\u00fcr unsere Pr\u00e4diktorvariablen enthielt:<\/span><\/p>\n Als wir also den neuen Datenrahmen namens \u201enewdata\u201c erstellt haben,<\/strong> haben wir darauf geachtet, auch die Spalten zu benennen:<\/span><\/p>\n Wenn die Spaltennamen nicht \u00fcbereinstimmen, erhalten Sie die folgende Fehlermeldung<\/a> :<\/span><\/p>\n Beachten Sie dies, wenn Sie die Funktion \u201epredict()\u201c<\/strong> verwenden.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a> Die Funktion lm() in R kann zur Anpassung linearer Regressionsmodelle verwendet werden. Sobald wir ein Modell angepasst haben, k\u00f6nnen wir die Funktion \u201epredict()\u201c verwenden, um den Antwortwert einer neuen Beobachtung vorherzusagen. Diese Funktion verwendet die folgende Syntax: Vorhersage(Objekt, neue Daten, Typ = \u201eAntwort\u201c) Gold: Objekt: Der Name der Modellanpassung mithilfe der glm()-Funktion newdata: Der Name […]<\/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\n
Beispiel: Verwendung der Predict()-Funktion mit lm() in R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (minutes=c(5, 10, 13, 14, 20, 22, 26, 34, 38, 40),\n fouls=c(5, 5, 3, 4, 2, 1, 3, 2, 1, 1),\n points=c(6, 8, 8, 7, 14, 10, 22, 24, 28, 30))\n\n#view data frame\n<\/span>df\n\n minutes fouls points\n1 5 5 6\n2 10 5 8\n3 13 3 8\n4 14 4 7\n5 20 2 14\n6 22 1 10\n7 26 3 22\n8 34 2 24\n9 38 1 28\n10 40 1 30\n<\/strong><\/pre>\n #fit multiple linear regression model\n<\/span>fit <- lm(points ~ minutes + fouls, data=df)\n\n#view summary of model\n<\/span>summary(fit)\n\nCall:\nlm(formula = points ~ minutes + fouls, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-3.5241 -1.4782 0.5918 1.6073 2.0889 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) -11.8949 4.5375 -2.621 0.0343 * \nminutes 0.9774 0.1086 9.000 4.26e-05 ***\nfouls 2.1838 0.8398 2.600 0.0354 * \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.148 on 7 degrees of freedom\nMultiple R-squared: 0.959, Adjusted R-squared: 0.9473 \nF-statistic: 81.93 on 2 and 7 DF, p-value: 1.392e-05\n<\/strong><\/pre>\n #define new observation\nnewdata = data. frame<\/span> (minutes=15, fouls=3)\n<\/span>\n#use model to predict points value\npredict(fit, newdata)\n\n 1 \n9.317731\n<\/span><\/span><\/strong><\/pre>\n #define new data frame of three cars\nnewdata = data. frame<\/span> (minutes=c(15, 20, 25),\n fouls=c(3, 2, 1))\n\n#view data frame\n<\/span>newdata\n\n minutes fouls\n1 15 3\n2 20 2\n3 25 1\n<\/span>\n#use model to predict points for all three players\npredict(model, newdata)\n\n 1 2 3 \n 9.317731 12.021032 14.724334 \n<\/span><\/span><\/strong><\/pre>\n\n
Hinweise zur Verwendung von Predict()<\/strong><\/span><\/h2>\n
\n
\n
Error in eval(predvars, data, env)<\/span><\/span><\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a>
So f\u00fchren Sie eine Polynomregression in R durch<\/a>
So erstellen Sie ein Vorhersageintervall in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"