<\/p>\n
Om een lineair regressiemodel in R te passen, kunnen we de functie lm()<\/strong> gebruiken, die de volgende syntaxis gebruikt:<\/span><\/p>\n We kunnen dan de volgende syntaxis gebruiken om het model te gebruiken om een enkele waarde te voorspellen:<\/span><\/p>\n De volgende voorbeelden laten zien hoe u een enkele waarde kunt voorspellen met behulp van gepaste regressiemodellen in R.<\/span><\/p>\n De volgende code laat zien hoe u een eenvoudig lineair regressiemodel in R kunt passen:<\/span><\/p>\n En we kunnen de volgende code gebruiken om de responswaarde voor een nieuwe waarneming te voorspellen:<\/span><\/p>\n Het model voorspelt dat deze nieuwe waarneming een responswaarde van 25,36364<\/strong> zal hebben.<\/span><\/p>\n De volgende code laat zien hoe u een meervoudig lineair regressiemodel in R kunt passen:<\/span><\/p>\n En we kunnen de volgende code gebruiken om de responswaarde voor een nieuwe observatie te voorspellen:<\/span><\/p>\n Het model voorspelt dat deze nieuwe waarneming een responswaarde van 26,17073<\/strong> zal hebben.<\/span><\/p>\n De meest voorkomende fout die u kunt tegenkomen bij het voorspellen van een nieuwe waarde is wanneer de gegevensset die u hebt gebruikt om in het regressiemodel te passen, niet dezelfde kolomnamen heeft als de nieuwe waarneming die u probeert te voorspellen<\/strong> .<\/span><\/p>\n Stel dat we bijvoorbeeld het volgende meervoudige lineaire regressiemodel in R passen:<\/span><\/p>\n Stel vervolgens dat we het model proberen te gebruiken om de responswaarde voor deze nieuwe observatie te voorspellen:<\/span><\/p>\n We hebben een foutmelding ontvangen omdat de kolomnamen van de nieuwe waarneming (x_1, x_2) niet overeenkomen met de kolomnamen van het oorspronkelijke gegevensframe (x1, x2) dat we hebben gebruikt om in het regressiemodel te passen.<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> Om een lineair regressiemodel in R te passen, kunnen we de functie lm() gebruiken, die de volgende syntaxis gebruikt: model <- lm(y ~ x1 + x2, data=df) We kunnen dan de volgende syntaxis gebruiken om het model te gebruiken om een enkele waarde te voorspellen: predict(model, newdata = new) De volgende voorbeelden laten zien hoe […]<\/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":[],"class_list":["post-1587","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n model <- lm(y ~ x1 + x2, data=df)\n<\/strong><\/pre>\n
predict(model, newdata = new)<\/strong><\/pre>\n
Voorbeeld 1: Voorspel met behulp van een eenvoudig lineair regressiemodel<\/strong><\/span><\/h3>\n
#create data\n<\/span>df <- data. frame<\/span> (x=c(3, 4, 4, 5, 5, 6, 7, 8, 11, 12),\n y=c(22, 24, 24, 25, 25, 27, 29, 31, 32, 36))\n\n#fit simple linear regression model\n<\/span>model <- lm(y ~ x, data=df)<\/strong><\/pre>\n #define new observation\n<\/span>new <- data. frame<\/span> (x=c(5))\n\n#use the fitted model to predict the value for the new observation\n<\/span>predict(model, newdata = new)\n\n 1 \n25.36364 \n<\/strong><\/pre>\n Voorbeeld 2: Voorspel met behulp van een meervoudig lineair regressiemodel<\/strong><\/span><\/h3>\n
#create data\n<\/span>df <- data. frame<\/span> (x1=c(3, 4, 4, 5, 5, 6, 7, 8, 11, 12),\n x2=c(6, 6, 7, 7, 8, 9, 11, 13, 14, 14),\n y=c(22, 24, 24, 25, 25, 27, 29, 31, 32, 36))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y ~ x1 + x2, data=df)<\/strong><\/pre>\n #define new observation\n<\/span>new <- data.frame(x1=c(5),\n x2=c(10))\n\n#use the fitted model to predict the value for the new observation\n<\/span>predict(model, newdata = new)\n\n 1 \n26.17073 \n<\/strong><\/pre>\n Mogelijke fouten bij het voorspellen van nieuwe waarden<\/strong><\/span><\/h3>\n
#createdata\n<\/span>df <- data. frame<\/span> (x1=c(3, 4, 4, 5, 5, 6, 7, 8, 11, 12),\n x2=c(6, 6, 7, 7, 8, 9, 11, 13, 14, 14),\n y=c(22, 24, 24, 25, 25, 27, 29, 31, 32, 36))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y ~ x1 + x2, data=df)<\/strong><\/pre>\n #define new observation\n<\/span>new <- data.frame(x_1=c(5),\n x_2=c(10))\n\n#use the fitted model to predict the value for the new observation\n<\/span>predict(model, newdata = new)\n\nError in eval(predvars, data, env): object 'x1' not found\n<\/span><\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe maak je een restplot in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"