Как построить прогнозируемые значения в r (с примерами)

Часто вам может потребоваться построить прогнозируемые значения модели регрессии в R, чтобы визуализировать различия между прогнозируемыми значениями и фактическими значениями.

В этом руководстве представлены примеры создания графика такого типа в R и ggplot2.

Пример 1: построение прогнозируемых и фактических значений в базе R

Следующий код показывает, как подогнать модель множественной линейной регрессии в R, а затем создать график прогнозируемых и фактических значений:

 #create data
df <- data. frame (x1=c(3, 4, 4, 5, 5, 6, 7, 8, 11, 12),
                 x2=c(6, 6, 7, 7, 8, 9, 11, 13, 14, 14),
                 y=c(22, 24, 24, 25, 25, 27, 29, 31, 32, 36))

#fit multiple linear regression model
model <- lm(y ~ x1 + x2, data=df)

#plot predicted vs. actual values
plot(x=predict(model), y=df$y,
     xlab=' Predicted Values ',
     ylab=' Actual Values ',
     main=' Predicted vs. Actual Values ')

#add diagonal line for estimated regression line
abline(a= 0 , b= 1 )

По оси X отображаются прогнозируемые значения модели, а по оси Y — фактические значения из набора данных. Диагональная линия в середине графика — это предполагаемая линия регрессии.

Поскольку каждая из точек данных находится достаточно близко к предполагаемой линии регрессии, это говорит нам о том, что модель регрессии довольно хорошо справляется с подгонкой данных.

Мы также можем создать фрейм данных, который отображает фактические и прогнозируемые значения для каждой точки данных:

 #create data frame of actual and predicted values
values <- data. frame (actual=df$y, predicted=predict(model))

#view data frame
values

   actual predicted
1 22 22.54878
2 24 23.56707
3 24 23.96341
4 25 24.98171
5 25 25.37805
6 27 26.79268
7 29 28.60366
8 31 30.41463
9 32 33.86585
10 36 34.88415

Пример 2: Отображение прогнозируемых и фактических значений в ggplot2

Следующий код показывает, как создать график прогнозируемых и фактических значений с помощью пакета визуализации данных ggplot2 :

 library (ggplot2) 

#create data
df <- data. frame (x1=c(3, 4, 4, 5, 5, 6, 7, 8, 11, 12),
                 x2=c(6, 6, 7, 7, 8, 9, 11, 13, 14, 14),
                 y=c(22, 24, 24, 25, 25, 27, 29, 31, 32, 36))

#fit multiple linear regression model
model <- lm(y ~ x1 + x2, data=df)

#plot predicted vs. actual values
ggplot(df, aes (x=predict(model), y=y)) + 
  geom_point() +
  geom_abline(intercept= 0 , slope= 1 ) +
  labs(x=' Predicted Values ', y=' Actual Values ', title=' Predicted vs. Actual Values ')

Опять же, ось X показывает прогнозируемые значения модели, а ось Y показывает фактические значения из набора данных.

Дополнительные ресурсы

Как создать остаточный график в R
Как создать гистограмму остатков в R
Как рассчитать стандартизированные остатки в R