Het volgende stapsgewijze voorbeeld laat zien hoe u spline-regressie uitvoert in R.<\/span><\/p>\n Laten we eerst een gegevensset in R maken met twee variabelen en een spreidingsdiagram maken om de relatie tussen de variabelen te visualiseren:<\/span> <\/p>\n Het is duidelijk dat de relatie tussen x en y niet-lineair is en dat er twee punten of „knooppunten“ lijken te zijn waar het patroon in de gegevens abrupt verandert bij x=7 en x=10.<\/span><\/p>\n Laten we vervolgens de functie lm()<\/a> gebruiken om een eenvoudig lineair regressiemodel aan deze gegevensset toe te passen en de regressielijn op het spreidingsdiagram te plotten:<\/span> <\/p>\n Uit het spreidingsdiagram kunnen we zien dat de eenvoudige lineaire regressielijn niet goed bij de gegevens past.<\/span><\/p>\n Uit de modelresultaten kunnen we ook zien dat de aangepaste R-kwadraatwaarde<\/a> 0,5903<\/strong> is.<\/span><\/p>\n We zullen dit vergelijken met de aangepaste R-kwadraatwaarde van een spline-model.<\/span><\/p>\n Laten we vervolgens de functie bs()<\/strong> uit het splines-<\/strong> pakket gebruiken om een spline-regressiemodel met twee knooppunten te fitten, en vervolgens het gepaste model in de spreidingsdiagram plotten:<\/span> <\/p>\n Uit het spreidingsdiagram kunnen we zien dat het spline-regressiemodel de gegevens redelijk goed kan weergeven.<\/span><\/p>\n Uit de modelresultaten kunnen we ook zien dat de aangepaste R-kwadraatwaarde 0,8987<\/strong> is.<\/span><\/p>\n De aangepaste R-kwadraatwaarde voor dit model is veel hoger dan het eenvoudige lineaire regressiemodel, wat ons vertelt dat het spline-regressiemodel beter bij de gegevens kan passen.<\/span><\/p>\n Merk op dat we er voor dit voorbeeld voor hebben gekozen dat de knooppunten zich op x=7 en x=10 bevinden.<\/span><\/p>\n In de praktijk zul je zelf knooppuntlocaties moeten kiezen op basis van waar patronen in de data lijken te veranderen en op basis van jouw domeinexpertise.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Hoe meervoudige lineaire regressie uit te voeren in R<\/a> Spline-regressie is een type regressie dat wordt gebruikt wanneer er punten of „knopen“ zijn waar het patroon in de gegevens abrupt verandert en lineaire regressie en polynomiale regressie niet flexibel genoeg zijn om in de gegevens te passen. Het volgende stapsgewijze voorbeeld laat zien hoe u spline-regressie uitvoert in R. Stap 1: Cre\u00eber de gegevens […]<\/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-3999","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Cre\u00eber de gegevens<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (x=1:20,\n y=c(2, 4, 7, 9, 13, 15, 19, 16, 13, 10,\n 11, 14, 15, 15, 16, 15, 17, 19, 18, 20))\n\n#view head of data frame\n<\/span>head(df)\n\n xy\n1 1 2\n2 2 4\n3 3 7\n4 4 9\n5 5 13\n6 6 15\n\n#create scatterplot\n<\/span>plot(df$x, df$y, cex= 1.5<\/span> , pch= 19<\/span> )\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/spline1.jpg\")
<\/p>\n Stap 2: Pas het eenvoudige lineaire regressiemodel toe<\/strong><\/span><\/h2>\n
#fit simple linear regression model\n<\/span>linear_fit <- lm(df$y ~ df$x)\n\n#view model summary\n<\/span>summary(linear_fit)\n\nCall:\nlm(formula = df$y ~ df$x)\n\nResiduals:\n Min 1Q Median 3Q Max \n-5.2143 -1.6327 -0.3534 0.6117 7.8789 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 6.5632 1.4643 4.482 0.000288 ***\ndf$x 0.6511 0.1222 5.327 4.6e-05 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.152 on 18 degrees of freedom\nMultiple R-squared: 0.6118, Adjusted R-squared: 0.5903 \nF-statistic: 28.37 on 1 and 18 DF, p-value: 4.603e-05\n\n#create scatterplot\n<\/span>plot(df$x, df$y, cex= 1.5<\/span> , pch= 19<\/span> )\n\n#add regression line to scatterplot\n<\/span>abline(linear_fit)<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/spline2.jpg\")
<\/p>\n Stap 3: Pas het spline-regressiemodel aan<\/strong><\/span><\/h2>\n
library<\/span> (splines)\n\n#fit spline regression model\n<\/span>spline_fit <- lm(df$y ~ bs(df$x, knots=c( 7<\/span> , 10<\/span> )))\n\n#view summary of spline regression model\n<\/span>summary(spline_fit)\n\nCall:\nlm(formula = df$y ~ bs(df$x, knots = c(7, 10)))\n\nResiduals:\n Min 1Q Median 3Q Max \n-2.84883 -0.94928 0.08675 0.78069 2.61073 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 2.073 1.451 1.429 0.175 \nbs(df$x, knots = c(7, 10))1 2.173 3.247 0.669 0.514 \nbs(df$x, knots = c(7, 10))2 19.737 2.205 8.949 3.63e-07 ***\nbs(df$x, knots = c(7, 10))3 3.256 2.861 1.138 0.274 \nbs(df$x, knots = c(7, 10))4 19.157 2.690 7.121 5.16e-06 ***\nbs(df$x, knots = c(7, 10))5 16.771 1.999 8.391 7.83e-07 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 1.568 on 14 degrees of freedom\nMultiple R-squared: 0.9253, Adjusted R-squared: 0.8987 \nF-statistic: 34.7 on 5 and 14 DF, p-value: 2.081e-07\n\n#calculate predictions using spline regression model\n<\/span>x_lim <- range(df$x)\nx_grid <- seq(x_lim[ 1<\/span> ], x_lim[ 2<\/span> ])\npreds <- predict(spline_fit, newdata=list(x=x_grid))\n\n#create scatter plot with spline regression predictions\n<\/span>plot(df$x, df$y, cex= 1.5<\/span> , pch= 19<\/span> )\nlines(x_grid, preds)<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/spline3.jpg\")
<\/p>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe exponenti\u00eble regressie uit te voeren in R<\/a>
Hoe u een gewogen kleinste kwadratenregressie uitvoert in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"