<\/p>\n
La funzione lm()<\/strong> in R pu\u00f2 essere utilizzata per adattare modelli di regressione lineare.<\/span><\/p>\n Una volta adattato un modello, possiamo utilizzare la funzione predit()<\/strong> per prevedere il valore di risposta di una nuova osservazione<\/a> .<\/span><\/p>\n Questa funzione utilizza la seguente sintassi:<\/span><\/p>\n predire (oggetto, nuovi dati, tipo = “risposta”)<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n L’esempio seguente mostra come utilizzare la funzione lm()<\/strong> per adattare un modello di regressione lineare in R e quindi come utilizzare la funzione predit()<\/strong> per prevedere il valore di risposta di una nuova osservazione che il modello non ha mai visto prima.<\/span><\/p>\n Supponiamo di avere il seguente frame di dati in R che contiene informazioni su vari giocatori di basket:<\/span><\/p>\n Supponiamo di voler applicare il seguente modello di regressione lineare multipla<\/a> utilizzando i minuti giocati e il totale dei falli per prevedere il numero di punti segnati da ciascun giocatore:<\/span><\/p>\n punti = \u03b2 0<\/sub> + \u03b2 1<\/sub> (minuti) + \u03b2 2<\/sub> (falli)<\/strong><\/span><\/p>\n Possiamo usare la funzione lm()<\/strong> per adattare questo modello:<\/span><\/span><\/p>\n Utilizzando i coefficienti dei risultati del modello, possiamo scrivere l’equazione di regressione adattata:<\/span><\/p>\n punti = -11.8949 + 0.9774 (minuti) + 2.1838 (falli)<\/strong><\/span><\/p>\n Possiamo quindi utilizzare la funzione predit()<\/strong> per prevedere quanti punti segner\u00e0 un giocatore che gioca per 15 minuti e commette 3 falli in totale:<\/span><\/p>\n Il modello prevede che questo giocatore segner\u00e0 9.317731<\/strong> punti.<\/span><\/p>\n Tieni presente che possiamo anche fare pi\u00f9 previsioni contemporaneamente se abbiamo un frame di dati contenente pi\u00f9 nuove osservazioni.<\/span><\/p>\n Ad esempio, il codice seguente mostra come utilizzare il modello di regressione adattato per prevedere i valori dei punti di tre giocatori:<\/span><\/p>\n Ecco come interpretare il risultato:<\/span><\/p>\n I nomi delle colonne nel nuovo frame di dati devono corrispondere esattamente ai nomi delle colonne nel frame di dati utilizzati per creare il modello.<\/span><\/p>\n Tieni presente che nel nostro esempio precedente, il frame di dati utilizzato per creare il modello conteneva i seguenti nomi di colonna per le nostre variabili predittive:<\/span><\/p>\n Pertanto, quando abbiamo creato il nuovo frame di dati chiamato newdata,<\/strong> ci siamo assicurati di nominare anche le colonne:<\/span><\/p>\n Se i nomi delle colonne non corrispondono, riceverai il seguente messaggio di errore<\/a> :<\/span><\/p>\n Tienilo a mente quando usi la funzione predit()<\/strong> .<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in R:<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> La funzione lm() in R pu\u00f2 essere utilizzata per adattare modelli di regressione lineare. Una volta adattato un modello, possiamo utilizzare la funzione predit() per prevedere il valore di risposta di una nuova osservazione . Questa funzione utilizza la seguente sintassi: predire (oggetto, nuovi dati, tipo = “risposta”) Oro: oggetto: il nome della regolazione del […]<\/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
Esempio: utilizzo della funzione Predict() con 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
Note sull’utilizzo di predit()<\/strong><\/span><\/h2>\n
\n
\n
Error in eval(predvars, data, env)<\/span><\/span><\/strong><\/pre>\n Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come eseguire la regressione polinomiale in R<\/a>
Come creare un intervallo di previsione in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"