<\/p>\n
Anda dapat menggunakan sintaks dasar berikut untuk memprediksi nilai dalam R menggunakan model regresi linier berganda yang dilengkapi:<\/span><\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya.<\/span><\/p>\n Misalkan kita memiliki kumpulan data berikut di R yang berisi informasi tentang pemain bola basket:<\/span><\/p>\n Sekarang misalkan kita menyesuaikan model regresi linier berganda dengan menggunakan points<\/strong> , assists<\/strong> , dan rebounds<\/strong> sebagai variabel prediktor dan rating<\/strong> sebagai variabel respon<\/a> :<\/span><\/p>\n Dari nilai pada kolom Estimasi<\/strong> , kita dapat menuliskan model regresi yang sesuai:<\/span><\/p>\n Skor = 66.4355 + 1.2151 (poin) \u2013 2.5968 (assist) + 2.8202 (rebound)<\/span><\/p>\n Kita dapat menggunakan kode berikut untuk memprediksi rating pemain baru yang memiliki 20 poin, 5 assist, dan 2 rebound:<\/span><\/p>\n Model tersebut memperkirakan pemain baru ini akan memiliki rating 83.39607<\/strong> .<\/span><\/p>\n Kami dapat mengonfirmasi kebenarannya dengan memasukkan nilai pemain baru ke dalam persamaan regresi yang sesuai:<\/span><\/p>\n Ini cocok dengan nilai yang kami hitung menggunakan fungsi prediksi()<\/strong> di R.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Anda dapat menggunakan sintaks dasar berikut untuk memprediksi nilai dalam R menggunakan model regresi linier berganda yang dilengkapi: #define new observation new <- data. frame (x1=c(5), x2=c(10), x3=c(12.5)) #use fitted model to predict the response value for the new observation predict(model, newdata=new) Contoh berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya. Contoh: Memprediksi nilai menggunakan […]<\/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 #define new observation\n<\/span>new <- data. frame<\/span> (x1=c(5), x2=c(10), x3=c(12.5))\n\n#use fitted model to predict the response value for the new observation\n<\/span>predict(model, newdata=new)<\/strong><\/pre>\n Contoh: Memprediksi nilai menggunakan model regresi linier berganda yang sesuai<\/strong><\/span><\/h3>\n
#create data frame\n<\/span>df <- data. frame<\/span> (rating=c(67, 75, 79, 85, 90, 96, 97),\n points=c(8, 12, 16, 15, 22, 28, 24),\n assists=c(4, 6, 6, 5, 3, 8, 7),\n rebounds=c(1, 4, 3, 3, 2, 6, 7))\n\n#view data frame\n<\/span>df\n\n rating points assists rebounds\n1 67 8 4 1\n2 75 12 6 4\n3 79 16 6 3\n4 85 15 5 3\n5 90 22 3 2\n6 96 28 8 6\n7 97 24 7 7\n<\/strong><\/pre>\n #fit multiple linear regression model\n<\/span>model <- lm(rating ~ points + assists + rebounds, data=df)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = rating ~ points + assists + rebounds, data = df)\n\nResiduals:\n 1 2 3 4 5 6 7 \n-1.5902 -1.7181 0.2413 4.8597 -1.0201 -0.6082 -0.1644 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 66.4355 6.6932 9.926 0.00218 **\npoints 1.2152 0.2788 4.359 0.02232 * \nassists -2.5968 1.6263 -1.597 0.20860 \nrebounds 2.8202 1.6118 1.750 0.17847 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.193 on 3 degrees of freedom\nMultiple R-squared: 0.9589, Adjusted R-squared: 0.9179 \nF-statistic: 23.35 on 3 and 3 DF, p-value: 0.01396\n<\/strong><\/pre>\n #define new player\n<\/span>new <- data. frame<\/span> (points=c(20), assists=c(5), rebounds=c(2))\n\n#use the fitted model to predict the rating for the new player\n<\/span>predict(model, newdata=new)\n\n 1 \n83.39607 \n<\/strong><\/pre>\n\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":"