<\/p>\n
Untuk menyesuaikan model regresi linier di R, kita dapat menggunakan fungsi lm()<\/strong> , yang menggunakan sintaks berikut:<\/span><\/p>\n Kita kemudian dapat menggunakan sintaks berikut untuk menggunakan model guna memprediksi nilai tunggal:<\/span><\/p>\n Contoh berikut menunjukkan cara memprediksi nilai tunggal menggunakan model regresi yang sesuai di R.<\/span><\/p>\n Kode berikut menunjukkan cara menyesuaikan model regresi linier sederhana di R:<\/span><\/p>\n Dan kita dapat menggunakan kode berikut untuk memprediksi nilai respons observasi baru:<\/span><\/p>\n Model memperkirakan observasi baru ini akan memiliki nilai respon sebesar 25.36364<\/strong> .<\/span><\/p>\n Kode berikut menunjukkan cara menyesuaikan model regresi linier berganda di R:<\/span><\/p>\n Dan kita dapat menggunakan kode berikut untuk memprediksi nilai respons observasi baru:<\/span><\/p>\n Model memperkirakan observasi baru ini akan memiliki nilai respon sebesar 26.17073<\/strong> .<\/span><\/p>\n Kesalahan paling umum yang mungkin Anda temui saat mencoba memprediksi nilai baru adalah ketika kumpulan data yang Anda gunakan untuk menyesuaikan model regresi tidak memiliki nama kolom yang sama dengan observasi baru yang Anda coba prediksi<\/strong> .<\/span><\/p>\n Misalnya, kita memasang model regresi linier berganda berikut di R:<\/span><\/p>\n Selanjutnya, misalkan kita mencoba menggunakan model tersebut untuk memprediksi nilai respons observasi baru ini:<\/span><\/p>\n Kami menerima kesalahan karena nama kolom observasi baru (x_1, x_2) tidak cocok dengan nama kolom bingkai data asli (x1, x2) yang kami gunakan agar sesuai dengan model regresi.<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Untuk menyesuaikan model regresi linier di R, kita dapat menggunakan fungsi lm() , yang menggunakan sintaks berikut: model <- lm(y ~ x1 + x2, data=df) Kita kemudian dapat menggunakan sintaks berikut untuk menggunakan model guna memprediksi nilai tunggal: predict(model, newdata = new) Contoh berikut menunjukkan cara memprediksi nilai tunggal menggunakan model regresi yang sesuai di […]<\/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
Contoh 1: Memprediksi menggunakan model regresi linier sederhana<\/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 Contoh 2: Memprediksi menggunakan model regresi linier berganda<\/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 Potensi kesalahan saat memprediksi nilai baru<\/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 Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi linier berganda di R<\/a>
Cara membuat plot sisa di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"