<\/p>\n
\u00c8 possibile utilizzare la funzione optim<\/strong> in R per ottimizzazioni generali.<\/span><\/p>\n Questa funzione utilizza la seguente sintassi di base:<\/span><\/p>\n Oro:<\/span><\/p>\n Gli esempi seguenti mostrano come utilizzare questa funzione nei seguenti scenari:<\/span><\/p>\n 1.<\/strong> Trova i coefficienti di un modello di regressione lineare.<\/span><\/p>\n 2.<\/strong> Trova i coefficienti di un modello di regressione quadratica.<\/span><\/p>\n Andiamo!<\/span><\/p>\n Il codice seguente mostra come utilizzare la funzione optim()<\/strong> per trovare i coefficienti di un modello di regressione lineare minimizzando la somma residua dei quadrati:<\/span><\/p>\n Utilizzando i valori restituiti sotto $par<\/strong> , possiamo scrivere il seguente modello di regressione lineare adattata:<\/span><\/p>\n y = 2,318 + 1,162x<\/span><\/p>\n Possiamo verificare che ci\u00f2 sia corretto utilizzando la funzione lm()<\/strong> incorporata in R per calcolare i coefficienti di regressione:<\/span><\/p>\n Questi valori di coefficiente corrispondono a quelli che abbiamo calcolato utilizzando la funzione optim()<\/strong> .<\/span><\/p>\n Il codice seguente mostra come utilizzare la funzione optim()<\/strong> per trovare i coefficienti di un modello di regressione quadratica<\/a> minimizzando la somma residua dei quadrati:<\/span><\/p>\n Utilizzando i valori restituiti sotto $par<\/strong> , possiamo scrivere il seguente modello di regressione quadratica adattata:<\/span><\/p>\n y = -18,261 + 6,744x \u2013 0,101x 2<\/sup><\/span><\/p>\n Possiamo verificare che ci\u00f2 sia corretto utilizzando la funzione lm()<\/strong> incorporata in R:<\/span><\/p>\n Questi valori di coefficiente corrispondono a quelli che abbiamo calcolato utilizzando la funzione optim()<\/strong> .<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre operazioni comuni in R:<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> \u00c8 possibile utilizzare la funzione optim in R per ottimizzazioni generali. Questa funzione utilizza la seguente sintassi di base: optim(by, fn, data, …) Oro: by : Valori iniziali dei parametri su cui eseguire l’ottimizzazione fn : una funzione per ridurre al minimo o massimizzare data : il nome dell’oggetto in R che contiene i dati […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n optim(by, fn, data, ...)\n<\/strong><\/pre>\n
\n
Esempio 1: ricerca di coefficienti per un modello di regressione lineare<\/strong><\/span><\/h3>\n
#create data frame\n<\/span>df <- data.frame(x=c(1, 3, 3, 5, 6, 7, 9, 12),\n y=c(4, 5, 8, 6, 9, 10, 13, 17))\n\n#define function to minimize residual sum of squares\n<\/span>min_residuals <- function<\/span> (data, par) {\n with<\/span> (data, sum((par[1] + par[2] * x - y)^2))\n}\n\n#find coefficients of linear regression model\n<\/span>optim(par=c(0, 1), fn=min_residuals, data=df)\n\n$by\n[1] 2.318592 1.162012\n\n$value\n[1] 11.15084\n\n$counts\nfunction gradient \n 79 NA \n\n$convergence\n[1] 0\n\n$message\nNULL\n<\/span><\/span><\/strong><\/pre>\n #find coefficients of linear regression model using lm() function\nlm(y ~ x, data=df)\n\nCall:\nlm(formula = y ~ x, data = df)\n\nCoefficients:\n(Intercept) x \n 2,318 1,162\n<\/span><\/span><\/strong><\/pre>\n Esempio 2: trovare i coefficienti per un modello di regressione quadratica<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndf <- data. frame<\/span> (x=c(6, 9, 12, 14, 30, 35, 40, 47, 51, 55, 60),\n y=c(14, 28, 50, 70, 89, 94, 90, 75, 59, 44, 27))<\/span>\n\n#define function to minimize residual sum of squares\n<\/span>min_residuals <- function<\/span> (data, par) {\n with<\/span> (data, sum((par[1] + par[2]*x + par[3]*x^2 - y)^2))\n}\n\n#find coefficients of quadratic regression model\n<\/span>optim(par=c(0, 0, 0), fn=min_residuals, data=df)\n\n$by\n[1] -18.261320 6.744531 -0.101201\n\n$value\n[1] 309.3412\n\n$counts\nfunction gradient \n 218 NA \n\n$convergence\n[1] 0\n\n$message\nNULL<\/span><\/span><\/span><\/span><\/strong><\/pre>\n #create data frame\n<\/span>df <- data. frame<\/span> (x=c(6, 9, 12, 14, 30, 35, 40, 47, 51, 55, 60),\n y=c(14, 28, 50, 70, 89, 94, 90, 75, 59, 44, 27))\n\n#create a new variable for x^2\n<\/span>df$x2 <- df$x^2\n\n#fit quadratic regression model\n<\/span>quadraticModel <- lm(y ~ x + x2, data=df)\n\n#display coefficients of quadratic regression model\n<\/span>summary(quadraticModel)$coef\n\n Estimate Std. Error t value Pr(>|t|)\n(Intercept) -18.2536400 6.185069026 -2.951243 1.839072e-02\nx 6.7443581 0.485515334 13.891133 6.978849e-07\nx2 -0.1011996 0.007460089 -13.565470 8.378822e-07<\/span><\/span><\/strong><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come interpretare l’output della regressione in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"