<\/p>\n
De functie lm()<\/strong> in R kan worden gebruikt om lineaire regressiemodellen aan te passen.<\/span><\/p>\n Zodra we een model hebben aangepast, kunnen we de functie voorspellen()<\/strong> gebruiken om de responswaarde van een nieuwe waarneming<\/a> te voorspellen.<\/span><\/p>\n Deze functie gebruikt de volgende syntaxis:<\/span><\/p>\n voorspellen(object, nieuwedata, type = \u201cantwoord\u201d)<\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u de functie lm()<\/strong> kunt gebruiken om een lineair regressiemodel in R te passen, en vervolgens hoe u de functie voorspellen()<\/strong> kunt gebruiken om de responswaarde te voorspellen van een nieuwe waarneming die het model nog nooit eerder heeft gezien.<\/span><\/p>\n Stel dat we het volgende dataframe in R hebben dat informatie bevat over verschillende basketbalspelers:<\/span><\/p>\n Stel dat we het volgende meervoudige lineaire regressiemodel<\/a> willen toepassen met behulp van gespeelde minuten en totale fouten om het aantal door elke speler gescoorde punten te voorspellen:<\/span><\/p>\n punten = \u03b2 0<\/sub> + \u03b2 1<\/sub> (minuten) + \u03b2 2<\/sub> (overtredingen)<\/strong><\/span><\/p>\n We kunnen de functie lm()<\/strong> gebruiken om dit model aan te passen:<\/span><\/span><\/p>\n Met behulp van de co\u00ebffici\u00ebnten uit de modelresultaten kunnen we de passende regressievergelijking schrijven:<\/span><\/p>\n punten = -11,8949 + 0,9774 (minuten) + 2,1838 (overtredingen)<\/strong><\/span><\/p>\n We kunnen dan de functie voorspellen()<\/strong> gebruiken om te voorspellen hoeveel punten een speler die 15 minuten speelt en in totaal 3 fouten begaat, zal scoren:<\/span><\/p>\n Het model voorspelt dat deze speler 9,317731<\/strong> punten zal scoren.<\/span><\/p>\n Merk op dat we ook meerdere voorspellingen tegelijk kunnen doen als we een dataframe hebben dat meerdere nieuwe waarnemingen bevat.<\/span><\/p>\n De volgende code laat bijvoorbeeld zien hoe je het gepaste regressiemodel kunt gebruiken om de puntwaarden van drie spelers te voorspellen:<\/span><\/p>\n Zo interpreteert u het resultaat:<\/span><\/p>\n De kolomnamen in het nieuwe dataframe moeten exact overeenkomen met de kolomnamen in het dataframe die zijn gebruikt om het model te maken.<\/span><\/p>\n Merk op dat in ons vorige voorbeeld het dataframe dat we gebruikten om het model te maken de volgende kolomnamen bevatte voor onze voorspellende variabelen:<\/span><\/p>\n Dus toen we het nieuwe dataframe met de naam newdata cre\u00eberden,<\/strong> zorgden we ervoor dat we de kolommen ook een naam gaven:<\/span><\/p>\n Als de kolomnamen niet overeenkomen, ontvangt u het volgende foutbericht<\/a> :<\/span><\/p>\n Houd hier rekening mee wanneer u de functie voorspellen()<\/strong> gebruikt.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> De functie lm() in R kan worden gebruikt om lineaire regressiemodellen aan te passen. Zodra we een model hebben aangepast, kunnen we de functie voorspellen() gebruiken om de responswaarde van een nieuwe waarneming te voorspellen. Deze functie gebruikt de volgende syntaxis: voorspellen(object, nieuwedata, type = \u201cantwoord\u201d) Goud: object: De naam van de modelaanpassing met behulp […]<\/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-4267","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: gebruik van de functie Predict() met 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
Opmerkingen over het gebruik van voorspellen()<\/strong><\/span><\/h2>\n
\n
\n
Error in eval(predvars, data, env)<\/span><\/span><\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe polynomiale regressie uit te voeren in R<\/a>
Een voorspellingsinterval maken in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"