a análise de Regressão é uma ferramenta estatística amplamente utilizada para estabelecer um modelo de relacionamento entre duas variáveis. Uma destas variáveis é chamada variável predictor cujo valor é coletado através de experimentos. A outra variável é chamada variável resposta cujo valor é derivado da variável predictor.,
na regressão Linear estas duas variáveis estão relacionadas através de uma equação, onde expoente (potência) de ambas as variáveis é 1. Matematicamente uma relação linear representa uma linha reta quando plotada como um grafo. Uma relação não-linear onde o expoente de qualquer variável não é igual a 1 cria uma curva.
A matemática geral da equação de regressão linear, é −
y = ax + b
a Seguir está a descrição dos parâmetros utilizados −
-
y é a variável de resposta.
-
x é a variável predictor.,
-
A E b são constantes que são chamados de coeficientes.
passos para estabelecer uma regressão
um exemplo simples de regressão é prever o peso de uma pessoa quando a sua altura é conhecida. Para isso precisamos ter a relação entre a altura e o peso de uma pessoa.
as etapas para criar a relação são –
-
execute a experiência de recolha de uma amostra de valores observados de altura e peso correspondente.
-
crie um modelo de relacionamento usando as funções lm() em R.,
-
Encontre os coeficientes do modelo criado e crie a equação matemática usando estes
-
obtenha um resumo do modelo de relação para conhecer o erro médio na previsão. Também chamado de resíduos.
-
Para prever o peso de novas pessoas, usar a prever() função em R.
Entrada de Dados
Abaixo os dados de exemplo que representa as observações −
# 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
lm() Função
Esta função cria o modelo de relação entre o preditor e a variável de resposta.,
a Sintaxe
A sintaxe básica para lm() função de regressão linear é −
lm(formula,data)
a Seguir está a descrição dos parâmetros utilizados −
-
a fórmula é um símbolo de apresentar a relação entre x e y.
-
de dados é o vetor no qual a fórmula a ser aplicada.,elationship Modelo & obter os Coeficientes
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)
Quando executamos o código acima produz o seguinte resultado −
Call:lm(formula = y ~ x)Coefficients:(Intercept) x -38.4551 0.6746
Obter o Resumo da Relação
Quando executamos o código acima, produz o seguinte resultado −
predict() Função
a Sintaxe
A sintaxe básica para prever() na regressão linear é −
predict(object, newdata)
a Seguir está a descrição dos parâmetros utilizados −
-
objeto é a fórmula que já é criado usando o lm() função.,
-
newdata é o vetor que contém o novo valor para a variável predictor.
Prever o peso de novas pessoas
Quando executamos o código acima produz o seguinte resultado −
1 76.22869
Visualizar a Regressão Graficamente
Quando executamos o código acima, produz o seguinte resultado −
Anúncios -