Регрессионные модели

Регрессионный анализ — это статистический метод моделирования взаимосвязей между переменными. Он помогает прогнозировать результаты и выявлять закономерности в данных.

Линейная регрессия моделирует взаимосвязь между зависимой и независимой переменными с помощью прямой линии.

model <- lm(mpg ~ hp, data=mtcars)
summary(model)

Используйте abline(), чтобы добавить регрессионную линию на диаграмму рассеяния.

plot(mtcars$hp, mtcars$mpg)
abline(model, col='red')

Множественная регрессия использует несколько независимых переменных для объяснения изменений зависимой переменной.

model_multi <- lm(mpg ~ hp + wt, data=mtcars)
summary(model_multi)

Используйте summary(), чтобы оценить качество регрессионной модели, включая R-квадрат и p-значения.

summary(model_multi)

Логистическая регрессия моделирует бинарные категориальные результаты (например, успех и неудачу).

data(mtcars)
mtcars$am <- as.factor(mtcars$am)
model_logit <- glm(am ~ hp + wt, data=mtcars, family='binomial')
summary(model_logit)

Используйте predict(), чтобы получить прогнозы с помощью обученной регрессионной модели.

predict(model_multi, newdata=data.frame(hp=120, wt=3))

Регрессионные модели предполагают нормальность, гомоскедастичность и независимость ошибок. Проверьте графики остатков, чтобы оценить обоснованность модели.

plot(model_multi$residuals)

В этом уроке Вы узнали:

• как проводить линейную и множественную регрессию;
• как оценивать эффективность регрессионной модели;
• как прогнозировать новые значения с помощью регрессионных моделей.