R တွင် regression model ကိုအသုံးပြု၍ တစ်ခုတည်းတန်ဖိုးကို ခန့်မှန်းနည်း

R တွင် linear regression model နှင့် ကိုက်ညီရန်၊ အောက်ပါ syntax ကိုအသုံးပြုသည့် lm() function ကို အသုံးပြုနိုင်ပါသည်။

 model <- lm(y ~ x1 + x2, data=df)

ထို့နောက် ကျွန်ုပ်တို့သည် တန်ဖိုးတစ်ခုတည်းကို ခန့်မှန်းရန် မော်ဒယ်ကိုအသုံးပြုရန် အောက်ပါ syntax ကိုသုံးနိုင်သည်-

 predict(model, newdata = new)

အောက်ပါဥပမာများသည် R တွင် တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုပုံစံများကို အသုံးပြု၍ တန်ဖိုးတစ်ခုအား ခန့်မှန်းနည်းကို ပြသထားသည်။

ဥပမာ 1- ရိုးရှင်းသော linear regression model ကို အသုံးပြု၍ ခန့်မှန်းပါ။

အောက်ဖော်ပြပါ ကုဒ်သည် R တွင် ရိုးရှင်းသော မျဉ်းဖြောင့်ဆုတ်ယုတ်မှုပုံစံနှင့် အံဝင်ခွင်ကျဖြစ်ပုံကို ပြသသည်-

 #create data
df <- data. frame (x=c(3, 4, 4, 5, 5, 6, 7, 8, 11, 12),
                 y=c(22, 24, 24, 25, 25, 27, 29, 31, 32, 36))

#fit simple linear regression model
model <- lm(y ~ x, data=df)

လေ့လာချက်အသစ်တစ်ခုအတွက် တုံ့ပြန်မှုတန်ဖိုးကို ခန့်မှန်းရန် အောက်ပါကုဒ်ကို အသုံးပြုနိုင်သည်။

 #define new observation
new <- data. frame (x=c(5))

#use the fitted model to predict the value for the new observation
predict(model, newdata = new)

       1 
25.36364 

မော်ဒယ်သည် ဤလေ့လာချက်အသစ်တွင် တုံ့ပြန်မှုတန်ဖိုး 25.36364 ရှိမည်ဟု ခန့်မှန်းထားသည်။

ဥပမာ 2- Multiple linear regression model ကို အသုံးပြု၍ ခန့်မှန်းပါ။

အောက်ဖော်ပြပါ ကုဒ်သည် R တွင် မျဉ်းကြောင်းမျိုးစုံ ဆုတ်ယုတ်မှုပုံစံကို မည်ကဲ့သို့ အံဝင်ခွင်ကျဖြစ်စေရန် ဖော်ပြသည်-

 #create data
df <- data. frame (x1=c(3, 4, 4, 5, 5, 6, 7, 8, 11, 12),
                 x2=c(6, 6, 7, 7, 8, 9, 11, 13, 14, 14),
                 y=c(22, 24, 24, 25, 25, 27, 29, 31, 32, 36))

#fit multiple linear regression model
model <- lm(y ~ x1 + x2, data=df)

လေ့လာချက်အသစ်အတွက် တုံ့ပြန်မှုတန်ဖိုးကို ခန့်မှန်းရန် အောက်ပါကုဒ်ကို အသုံးပြုနိုင်ပါသည်။

 #define new observation
new <- data.frame(x1=c(5),
                  x2=c(10))

#use the fitted model to predict the value for the new observation
predict(model, newdata = new)

       1 
26.17073 

မော်ဒယ်သည် ဤလေ့လာချက်အသစ်တွင် တုံ့ပြန်မှုတန်ဖိုး 26.17073 ရှိမည်ဟု ခန့်မှန်းထားသည်။

တန်ဖိုးအသစ်များကို ခန့်မှန်းရာတွင် ဖြစ်နိုင်ချေရှိသော အမှားများ

တန်ဖိုးအသစ်တစ်ခုကို ခန့်မှန်းရန်ကြိုးစားရာတွင် သင်ကြုံတွေ့ရနိုင်သည့် အဖြစ်များဆုံး အမှား မှာ ဆုတ်ယုတ်မှုပုံစံနှင့် ကိုက်ညီရန် သင်အသုံးပြုခဲ့သော ဒေတာအစုံတွင် သင်ခန့်မှန်းရန်ကြိုးစားသော ရှုမြင်မှုအသစ်နှင့် တူညီသောကော်လံအမည်များ မရှိသည့်အခါ ဖြစ်သည်။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် R တွင် အောက်ပါ multiple linear regression model ကို ကိုက်ညီသည်ဆိုပါစို့။

 #createdata
df <- data. frame (x1=c(3, 4, 4, 5, 5, 6, 7, 8, 11, 12),
                 x2=c(6, 6, 7, 7, 8, 9, 11, 13, 14, 14),
                 y=c(22, 24, 24, 25, 25, 27, 29, 31, 32, 36))

#fit multiple linear regression model
model <- lm(y ~ x1 + x2, data=df)

ထို့နောက်၊ ဤလေ့လာတွေ့ရှိချက်အသစ်အတွက် တုံ့ပြန်မှုတန်ဖိုးကို ခန့်မှန်းရန် မော်ဒယ်ကို အသုံးပြုရန် ကြိုးစားသည်ဆိုပါစို့။

 #define new observation
new <- data.frame(x_1=c(5),
                  x_2=c(10))

#use the fitted model to predict the value for the new observation
predict(model, newdata = new)

Error in eval(predvars, data, env): object 'x1' not found

ရှုမြင်မှုအသစ် (x_1၊ x_2) ၏ကော်လံအမည်များသည် ဆုတ်ယုတ်မှုပုံစံနှင့် အံဝင်ခွင်ကျအသုံးပြုခဲ့သော မူရင်းဒေတာဘောင် (x1၊ x2) ၏ကော်လံအမည်များနှင့် မကိုက်ညီသောကြောင့် အမှားအယွင်းတစ်ခုရရှိခဲ့ပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

R တွင် ရိုးရှင်းသော linear regression လုပ်နည်း
R တွင် linear regression အများအပြားလုပ်ဆောင်နည်း
R တွင်ကျန်ရှိသောကွက်ကွက်ဖန်တီးနည်း