回归模型
探索线性回归和逻辑回归，用于预测建模并解读模型输出
回归模型 是 CoddyKit 上的免费 R Academy 课时。 这是第 1 节课，共 3 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 R Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 R Academy 课程共包含 3 节课。
回归模型简介
回归模型简介
回归分析是一种用于建立变量之间关系模型的统计技术。它有助于预测结果并发现数据模式。
了解线性回归
了解线性回归
线性回归使用直线对因变量和自变量之间的关系进行建模。
model <- lm(mpg ~ hp, data=mtcars)
summary(model)可视化回归线
可视化回归线
使用 abline() 将回归线添加到散点图中。
plot(mtcars$hp, mtcars$mpg)
abline(model, col='red')多元线性回归
多元线性回归
多元回归包含多个自变量，用于解释因变量的变化。
model_multi <- lm(mpg ~ hp + wt, data=mtcars)
summary(model_multi)检查模型拟合度
检查模型拟合度
使用 summary() 评估回归模型的质量，包括 R 平方和 p 值。
summary(model_multi)执行逻辑回归
执行逻辑回归
逻辑回归用于建立二元分类结果的模型（例如，成功与失败）。
data(mtcars)
mtcars$am <- as.factor(mtcars$am)
model_logit <- glm(am ~ hp + wt, data=mtcars, family='binomial')
summary(model_logit)预测新值
预测新值
使用 predict() 根据训练好的回归模型生成预测结果。
predict(model_multi, newdata=data.frame(hp=120, wt=3))评估模型假设
评估模型假设
回归模型假定误差具有正态性、同方差性和独立性。请检查残差图以评估模型的有效性。
plot(model_multi$residuals)总结
总结
在本课中，您学习了：
- 如何执行线性回归和多元回归。
- 如何评估回归模型的性能。
- 如何使用回归模型预测新值。
常见问题解答
「回归模型」课时是免费的吗？
是的 — 「回归模型」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 R Academy 课程的其余内容，请升级到 CoddyKit PRO。 R Academy 课程共包含 3 节课。
「回归模型」这节课中我会学到什么？
探索线性回归和逻辑回归，用于预测建模并解读模型输出 你通过在浏览器中直接运行的动手代码来练习 R Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 R Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 R Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 1 节课，共 3 节。
「回归模型」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 R Academy 课中编写并运行代码吗？
能。每节 R Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。