![\"Pemasangan](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courberaccordr1.png\")
<\/p>\n
Contoh langkah demi langkah berikut menjelaskan cara menyesuaikan kurva ke data di R menggunakan fungsi poly()<\/strong> dan cara menentukan kurva mana yang paling sesuai dengan data.<\/span><\/p>\n Mari kita mulai dengan membuat kumpulan data palsu, lalu membuat plot sebar untuk memvisualisasikan datanya:<\/span> <\/p>\n Mari kita masukkan beberapa model regresi polinomial ke data dan visualisasikan kurva setiap model dalam plot yang sama:<\/span> <\/p>\n Untuk menentukan kurva mana yang paling sesuai dengan data, kita dapat melihat R kuadrat yang disesuaikan<\/a> dari setiap model.<\/span><\/p>\n Nilai ini menunjukkan persentase variasi variabel respon yang dapat dijelaskan oleh variabel prediktor dalam model, disesuaikan dengan jumlah variabel prediktor.<\/span><\/p>\n Dari hasil tersebut terlihat bahwa model dengan Adjusted R-squared tertinggi adalah polinomial derajat keempat yang memiliki Adjusted R-squared sebesar 0,959<\/strong> .<\/span><\/p>\n Terakhir, kita dapat membuat plot sebar dengan kurva model polinomial derajat keempat:<\/span> <\/p>\n Kita juga bisa mendapatkan persamaan untuk garis ini menggunakan fungsi ringkasan()<\/strong> :<\/span><\/span><\/p>\n Persamaan kurvanya adalah sebagai berikut:<\/span><\/p>\n kamu = -0,0192x 4<\/sup> + 0,7081x 3<\/sup> \u2013 8,3649x 2<\/sup> + 35,823x \u2013 26,516<\/span><\/p>\n Persamaan ini dapat kita gunakan untuk memprediksi nilai variabel respon<\/a> berdasarkan variabel prediktor dalam model. Misalnya jika x<\/em> = 4 maka kita prediksi y<\/em> = 23,34<\/strong> :<\/span><\/p>\n y = -0,0192(4) 4<\/sup> + 0,7081(4) 3<\/sup> \u2013 8,3649(4) 2<\/sup> + 35,823(4) \u2013 26,516 = 23,34<\/span><\/p>\n Pengantar Regresi Polinomial Seringkali Anda mungkin ingin mencari persamaan yang paling sesuai dengan kurva R. Contoh langkah demi langkah berikut menjelaskan cara menyesuaikan kurva ke data di R menggunakan fungsi poly() dan cara menentukan kurva mana yang paling sesuai dengan data. Langkah 1: Buat dan visualisasikan data Mari kita mulai dengan membuat kumpulan data palsu, lalu membuat plot […]<\/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 Langkah 1: Buat dan visualisasikan data<\/strong><\/span><\/h3>\n
#create data frame\n<\/span>df <- data. frame<\/span> (x=1:15,\n y=c(3, 14, 23, 25, 23, 15, 9, 5, 9, 13, 17, 24, 32, 36, 46))\n\n#create a scatterplot of x vs. y\n<\/span>plot(df$x, df$y, pch= 19<\/span> , xlab=' x<\/span> ', ylab=' y<\/span> ')<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbeajustementr0.png\")
<\/p>\n Langkah 2: Sesuaikan Beberapa Kurva<\/strong><\/span><\/h3>\n
#fit polynomial regression models up to degree 5\n<\/span>fit1 <- lm(y~x, data=df)\nfit2 <- lm(y~poly(x,2,raw= TRUE<\/span> ), data=df)\nfit3 <- lm(y~poly(x,3,raw= TRUE<\/span> ), data=df)\nfit4 <- lm(y~poly(x,4,raw= TRUE<\/span> ), data=df)\nfit5 <- lm(y~poly(x,5,raw= TRUE<\/span> ), data=df)<\/span>\n\n#create a scatterplot of x vs. y\n<\/span>plot(df$x, df$y, pch=19, xlab=' x<\/span> ', ylab=' y<\/span> ')\n\n#define x-axis values\n<\/span>x_axis <- seq(1, 15, length= 15<\/span> )\n\n#add curve of each model to plot\n<\/span>lines(x_axis, predict(fit1, data. frame<\/span> (x=x_axis)), col=' green<\/span> ')\nlines(x_axis, predict(fit2, data. frame<\/span> (x=x_axis)), col=' red<\/span> ')\nlines(x_axis, predict(fit3, data. frame<\/span> (x=x_axis)), col=' purple<\/span> ')\nlines(x_axis, predict(fit4, data. frame<\/span> (x=x_axis)), col=' blue<\/span> ')\nlines(x_axis, predict(fit5, data. frame<\/span> (x=x_axis)), col=' orange<\/span> ')\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbeajustementr2.png\")
<\/p>\n #calculated adjusted R-squared of each model\n<\/span>summary(fit1)$adj. r<\/span> . squared<\/span>\nsummary(fit2)$adj. r<\/span> . squared<\/span>\nsummary(fit3)$adj. r<\/span> . squared<\/span>\nsummary(fit4)$adj. r<\/span> . squared<\/span>\nsummary(fit5)$adj. r<\/span> . squared<\/span>\n\n[1] 0.3144819\n[1] 0.5186706\n[1] 0.7842864\n[1] 0.9590276\n[1] 0.9549709\n<\/strong><\/pre>\n Langkah 3: Visualisasikan kurva terakhir<\/strong><\/span><\/h3>\n
#create a scatterplot of x vs. y\n<\/span>plot(df$x, df$y, pch=19, xlab=' x<\/span> ', ylab=' y<\/span> ')\n\n#define x-axis values\n<\/span>x_axis <- seq(1, 15, length= 15<\/span> )\n\n#add curve of fourth-degree polynomial model\n<\/span>lines(x_axis, predict(fit4, data. frame<\/span> (x=x_axis)), col=' blue<\/span> ')\n<\/strong><\/pre>\n<\/p>\n summary(fit4)\n\nCall:\nlm(formula = y ~ poly(x, 4, raw = TRUE), data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-3.4490 -1.1732 0.6023 1.4899 3.0351 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) -26.51615 4.94555 -5.362 0.000318 ***\npoly(x, 4, raw = TRUE)1 35.82311 3.98204 8.996 4.15e-06 ***\npoly(x, 4, raw = TRUE)2 -8.36486 0.96791 -8.642 5.95e-06 ***\npoly(x, 4, raw = TRUE)3 0.70812 0.08954 7.908 1.30e-05 ***\npoly(x, 4, raw = TRUE)4 -0.01924 0.00278 -6.922 4.08e-05 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.424 on 10 degrees of freedom\nMultiple R-squared: 0.9707, Adjusted R-squared: 0.959 \nF-statistic: 82.92 on 4 and 10 DF, p-value: 1.257e-07\n<\/strong><\/pre>\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
<\/a> Regresi Polinomial di R (Langkah demi Langkah)<\/a>
Cara menggunakan fungsi seq di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"