l’analyse de Régression est très largement utilisé outil statistique pour établir un modèle de la relation entre les deux variables. L’une de ces variables est appelée variable prédictive dont la valeur est recueillie par des expériences. L’autre variable est appelée variable de réponse, dont la valeur est dérivée de la variable prédictive.,

en régression linéaire, ces deux variables sont liées par une équation, où l’exposant (puissance) de ces deux variables est 1. Mathématiquement une relation linéaire représente une ligne droite tracée sous forme de graphique. Une relation non linéaire où l’exposant d’une variable n’est pas égal à 1 crée une courbe.

Le général équation mathématique pour une régression linéaire est −

y = ax + b

ce qui Suit est la description des paramètres utilisés −

• y est la variable de réponse.

• x est la variable prédictive.,

• a et b sont des constantes qui sont appelés les coefficients.

les Étapes pour Établir une Régression

Un exemple simple de régression est de prédire le poids d’une personne lorsque sa hauteur est connue. Pour ce faire, nous devons avoir la relation entre la taille et le poids d’une personne.

Les étapes pour créer la relation est −

• Réaliser l’expérience de la collecte d’un échantillon de valeurs observées de la hauteur et le poids correspondant.

• créez un modèle de relation en utilisant les fonctions lm() dans R.,

• Trouver les coefficients du modèle créé et créer l’équation mathématique à l’aide de ces

• Obtenez un résumé du modèle de la relation de connaître l’erreur moyenne de prédiction. Aussi appelé résidus.

• pour prédire le poids des nouvelles personnes, utilisez la fonction predict() dans R.

données D’entrée

Voici L’échantillon de données représentant les observations −

# Values of height151, 174, 138, 186, 128, 136, 179, 163, 152, 131# Values of weight.63, 81, 56, 91, 47, 57, 76, 72, 62, 48

fonction lm ()

Cette fonction crée le modèle de relation entre le prédicteur et la variable de réponse.,

syntaxe

la syntaxe de base de la fonction lm() en régression linéaire est −

lm(formula,data)

Voici la description des paramètres utilisés −

• la formule est un symbole présentant la relation entre x et Y.

• les données sont le vecteur sur lequel la formule sera appliquée.,Elationship Model & obtenir les Coefficients

  x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)# Apply the lm() function.relation <- lm(y~x)print(relation)

  lorsque nous exécutons le code ci −dessus, il produit le résultat suivant −

  Call:lm(formula = y ~ x)Coefficients:(Intercept) x -38.4551 0.6746 

  obtenir le résumé de la relation

  lorsque nous exécutons le code ci −dessus, il produit résultat suivant −

  predict() function

  Syntax

  la syntaxe de base de predict() en régression linéaire est –

  predict(object, newdata)

  Voici la description des paramètres utilisés –

  • object est la formule qui est déjà créée en utilisant la fonction LM ().,

  • newdata est le vecteur contenant la nouvelle valeur pour la variable prédictive.

  Prédire le poids de nouvelles personnes

  Lorsque nous exécutons le code ci-dessus, il produit le résultat suivant −

   1 76.22869 

  Visualiser la Régression Graphiquement

  Lorsque nous exécutons le code ci-dessus, elle produit le résultat suivant −

  

  Annonces