Як побудувати прогнозовані значення в r (з прикладами)

Часто ви можете побудувати прогнозовані значення регресійної моделі в R, щоб візуалізувати відмінності між прогнозованими значеннями та фактичними значеннями.

Цей підручник містить приклади створення такого типу діаграми в R і ggplot2.

Приклад 1: побудова графіка прогнозованих і фактичних значень в основі R

У наступному коді показано, як підігнати модель множинної лінійної регресії в R, а потім створити графік прогнозованих і фактичних значень:

 #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 )

На осі Х відображаються прогнозовані значення з моделі, а на осі Y – фактичні значення з набору даних. Діагональна лінія посередині графіка є розрахунковою лінією регресії.

Оскільки кожна з точок даних лежить досить близько до розрахункової лінії регресії, це говорить нам про те, що регресійна модель досить добре справляється з підгонкою даних.

Ми також можемо створити фрейм даних, який відображає фактичні та прогнозовані значення для кожної точки даних:

 #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

Приклад 2: Побудова прогнозованих і фактичних значень у ggplot2

Наступний код показує, як створити графік прогнозованих і фактичних значень за допомогою пакета візуалізації даних 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 ')

Знову ж таки, вісь X показує прогнозовані значення з моделі, а вісь Y показує фактичні значення з набору даних.

Додаткові ресурси

Як створити ділянку залишків у R
Як створити гістограму залишків у R
Як обчислити стандартизовані залишки в R