Model Regresi
Terokai regresi linear dan logistik untuk pemodelan ramalan serta tafsir output model.
Model Regresi ialah pelajaran R Academy percuma di CoddyKit. Ini ialah pelajaran 1 daripada 3. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran R Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus R Academy merangkumi sejumlah 3 pelajaran.
Pengenalan kepada Model Regresi
Analisis regresi ialah teknik statistik yang digunakan untuk memodelkan hubungan antara pemboleh ubah. Teknik ini membantu meramalkan hasil dan mendedahkan corak data.
Memahami Regresi Linear
Regresi linear memodelkan hubungan antara pemboleh ubah bersandar dan pemboleh ubah tidak bersandar menggunakan garis lurus.
model <- lm(mpg ~ hp, data=mtcars)
summary(model)Memvisualisasikan Garis Regresi
Gunakan abline() untuk menambah garis regresi pada plot serakan.
plot(mtcars$hp, mtcars$mpg)
abline(model, col='red')Regresi Linear Berganda
Regresi berganda merangkumi lebih daripada satu pemboleh ubah tidak bersandar untuk menerangkan variasi dalam pemboleh ubah bersandar.
model_multi <- lm(mpg ~ hp + wt, data=mtcars)
summary(model_multi)Menyemak Kesepadanan Model
Gunakan summary() untuk menilai kualiti model regresi, termasuk R-kuasa dua dan nilai-p.
summary(model_multi)Menjalankan Regresi Logistik
Regresi logistik memodelkan hasil kategori perduaan (contohnya, berjaya berbanding gagal).
data(mtcars)
mtcars$am <- as.factor(mtcars$am)
model_logit <- glm(am ~ hp + wt, data=mtcars, family='binomial')
summary(model_logit)Meramalkan Nilai Baharu
Gunakan predict() untuk menjana ramalan daripada model regresi yang telah dilatih.
predict(model_multi, newdata=data.frame(hp=120, wt=3))Menilai Andaian Model
Model regresi mengandaikan kenormalan, kehomoskedastikan dan kebebasan ralat. Semak plot baki untuk menilai kesahihannya.
plot(model_multi$residuals)Ringkasan
Dalam pelajaran ini, anda telah mempelajari:
- Cara menjalankan regresi linear dan regresi berganda.
- Cara menilai prestasi model regresi.
- Cara meramalkan nilai baharu menggunakan model regresi.
Pelajari R dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 43
- Pelajaran
- 159
Soalan Lazim
Adakah pelajaran “Model Regresi” percuma?
Ya — sebanyak 3 pelajaran dalam laluan pembelajaran R Academy, termasuk “Model Regresi”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus R Academy merangkumi sejumlah 3 pelajaran.
Apakah yang akan saya pelajari dalam “Model Regresi”?
Terokai regresi linear dan logistik untuk pemodelan ramalan serta tafsir output model. Anda berlatih R Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan R Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran R Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 1 daripada 3.
Berapa lamakah pelajaran “Model Regresi” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran R Academy ini?
Ya. Setiap pelajaran R Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Model Regresi
- Analisis Siri Masa
- Asas Pembelajaran Mesin