<\/p>\n
Mo\u017cesz u\u017cy\u0107 poni\u017cszej sk\u0142adni, aby wyodr\u0119bni\u0107 warto\u015bci R-kwadrat<\/a> i skorygowane warto\u015bci R-kwadrat<\/a> z funkcji lm()<\/a> w R:<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak zastosowa\u0107 t\u0119 sk\u0142adni\u0119 w praktyce.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce dopasowujemy nast\u0119puj\u0105cy model regresji liniowej w R:<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 funkcji podsumowania()<\/strong> , aby wy\u015bwietli\u0107 pe\u0142ne podsumowanie modelu regresji:<\/span><\/p>\n Zwr\u00f3\u0107 uwag\u0119 na warto\u015bci R-kwadrat i skorygowane warto\u015bci R-kwadrat modelu w pobli\u017cu dolnej cz\u0119\u015bci wyniku:<\/span><\/p>\n Aby wyodr\u0119bni\u0107 z modelu tylko warto\u015b\u0107 R kwadrat, mo\u017cemy zastosowa\u0107 nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119:<\/span><\/p>\n Aby wyodr\u0119bni\u0107 dla modelu tylko skorygowan\u0105 warto\u015b\u0107 R-kwadrat, mo\u017cemy zastosowa\u0107 nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119:<\/span><\/p>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce te warto\u015bci R-kwadrat i skorygowanego R-kwadrat odpowiadaj\u0105 warto\u015bciom, kt\u00f3re widzieli\u015bmy wcze\u015bniej w ca\u0142ym podsumowaniu wynik\u00f3w regresji.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w j\u0119zyku R:<\/span><\/p>\n Jak wykona\u0107 prost\u0105 regresj\u0119 liniow\u0105 w R<\/a> Mo\u017cesz u\u017cy\u0107 poni\u017cszej sk\u0142adni, aby wyodr\u0119bni\u0107 warto\u015bci R-kwadrat i skorygowane warto\u015bci R-kwadrat z funkcji lm() w R: #extract R-squared summary(model)$adj.r.squared #extract adjusted R-squared summary(model)$adj.r.squared Poni\u017cszy przyk\u0142ad pokazuje, jak zastosowa\u0107 t\u0119 sk\u0142adni\u0119 w praktyce. Przyk\u0142ad: wyodr\u0119bnij R-kwadrat z lm() w R Za\u0142\u00f3\u017cmy, \u017ce dopasowujemy nast\u0119puj\u0105cy model regresji liniowej w R: #create data frame df <- data. […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-3626","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n #extract R-squared\nsummary(model)$adj.r.squared<\/span>\n\n#extract adjusted R-squared<\/span>\nsummary(model)$adj.r.squared\n<\/strong><\/pre>\n Przyk\u0142ad: wyodr\u0119bnij R-kwadrat z lm() w R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (rating=c(67, 75, 79, 85, 90, 96, 97),\n points=c(8, 12, 16, 15, 22, 28, 24),\n assists=c(4, 6, 6, 5, 3, 8, 7),\n rebounds=c(1, 4, 3, 3, 2, 6, 7))\n\n#fit multiple linear regression model\n<\/span>model <- lm(rating ~ points + assists + rebounds, data=df)\n<\/strong><\/pre>\n #view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = rating ~ points + assists + rebounds, data = df)\n\nResiduals:\n 1 2 3 4 5 6 7 \n-1.5902 -1.7181 0.2413 4.8597 -1.0201 -0.6082 -0.1644 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 66.4355 6.6932 9.926 0.00218 **\npoints 1.2152 0.2788 4.359 0.02232 * \nassists -2.5968 1.6263 -1.597 0.20860 \nrebounds 2.8202 1.6118 1.750 0.17847 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.193 on 3 degrees of freedom\nMultiple R-squared: 0.9589, Adjusted R-squared: 0.9179 \nF-statistic: 23.35 on 3 and 3 DF, p-value: 0.01396\n<\/strong><\/pre>\n\n
#extract R-squared value of regression model\nsummary(model)$r.squared\n\n[1] 0.9589274\n<\/span><\/span><\/strong><\/pre>\n #extract adjusted R-squared value of regression model\nsummary(model)$adj.r.squared\n\n[1] 0.9178548\n<\/span><\/span><\/strong><\/pre>\n Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak wykona\u0107 wielokrotn\u0105 regresj\u0119 liniow\u0105 w R<\/a>
Jak utworzy\u0107 wykres rezydualny w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"