<\/p>\n
A fun\u00e7\u00e3o lm()<\/strong> em R pode ser usada para ajustar modelos de regress\u00e3o linear.<\/span><\/p>\n Depois de ajustarmos um modelo, podemos usar a fun\u00e7\u00e3o predizer()<\/strong> para prever o valor da resposta de uma nova observa\u00e7\u00e3o<\/a> .<\/span><\/p>\n Esta fun\u00e7\u00e3o usa a seguinte sintaxe:<\/span><\/p>\n prever (objeto, novos dados, tipo = \u201cresposta\u201d)<\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n O exemplo a seguir mostra como usar a fun\u00e7\u00e3o lm()<\/strong> para ajustar um modelo de regress\u00e3o linear em R e, em seguida, como usar a fun\u00e7\u00e3o predizer()<\/strong> para prever o valor de resposta de uma nova observa\u00e7\u00e3o que o modelo nunca viu antes.<\/span><\/p>\n Suponha que temos o seguinte quadro de dados em R que cont\u00e9m informa\u00e7\u00f5es sobre v\u00e1rios jogadores de basquete:<\/span><\/p>\n Suponha que queiramos aplicar o seguinte modelo de regress\u00e3o linear m\u00faltipla<\/a> usando minutos jogados e total de faltas para prever o n\u00famero de pontos marcados por cada jogador:<\/span><\/p>\n pontos = \u03b2 0<\/sub> + \u03b2 1<\/sub> (minutos) + \u03b2 2<\/sub> (faltas)<\/strong><\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o lm()<\/strong> para adaptar este modelo:<\/span><\/span><\/p>\n Usando os coeficientes dos resultados do modelo, podemos escrever a equa\u00e7\u00e3o de regress\u00e3o ajustada:<\/span><\/p>\n pontos = -11,8949 + 0,9774 (minutos) + 2,1838 (faltas)<\/strong><\/span><\/p>\n Podemos ent\u00e3o usar a fun\u00e7\u00e3o prever()<\/strong> para prever quantos pontos um jogador que jogar por 15 minutos e cometer 3 faltas no total ir\u00e1 marcar:<\/span><\/p>\n O modelo prev\u00ea que este jogador marcar\u00e1 9,317731<\/strong> pontos.<\/span><\/p>\n Observe que tamb\u00e9m podemos fazer v\u00e1rias previs\u00f5es ao mesmo tempo se tivermos um quadro de dados contendo v\u00e1rias novas observa\u00e7\u00f5es.<\/span><\/p>\n Por exemplo, o c\u00f3digo a seguir mostra como usar o modelo de regress\u00e3o ajustado para prever os valores dos pontos de tr\u00eas jogadores:<\/span><\/p>\n Veja como interpretar o resultado:<\/span><\/p>\n Os nomes das colunas no novo quadro de dados devem corresponder exatamente aos nomes das colunas no quadro de dados que foram usados para criar o modelo.<\/span><\/p>\n Observe que em nosso exemplo anterior, o quadro de dados que usamos para criar o modelo continha os seguintes nomes de colunas para nossas vari\u00e1veis preditoras:<\/span><\/p>\n Portanto, quando criamos o novo quadro de dados chamado newdata,<\/strong> tamb\u00e9m nomeamos as colunas:<\/span><\/p>\n Se os nomes das colunas n\u00e3o corresponderem, voc\u00ea receber\u00e1 a seguinte mensagem de erro<\/a> :<\/span><\/p>\n Tenha isso em mente ao usar a fun\u00e7\u00e3o prever()<\/strong> .<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns em R:<\/span><\/p>\n Como realizar regress\u00e3o linear simples em R<\/a> A fun\u00e7\u00e3o lm() em R pode ser usada para ajustar modelos de regress\u00e3o linear. Depois de ajustarmos um modelo, podemos usar a fun\u00e7\u00e3o predizer() para prever o valor da resposta de uma nova observa\u00e7\u00e3o . Esta fun\u00e7\u00e3o usa a seguinte sintaxe: prever (objeto, novos dados, tipo = \u201cresposta\u201d) Ouro: objeto: O nome do ajuste do […]<\/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-4266","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Exemplo: Usando a fun\u00e7\u00e3o Predict() com lm() em 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
Notas sobre o uso de predizer()<\/strong><\/span><\/h2>\n
\n
\n
Error in eval(predvars, data, env)<\/span><\/span><\/strong><\/pre>\n Recursos adicionais<\/strong><\/span><\/h2>\n
Como realizar regress\u00e3o linear m\u00faltipla em R<\/a>
Como realizar regress\u00e3o polinomial em R<\/a>
Como criar um intervalo de previs\u00e3o em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"