每行线性回归系数结果与R
假设我使用以下数据每行线性回归系数结果与R,r,linear-regression,R,Linear Regression,假设我使用以下数据 data(iris) iris 并进行以下回归: linearReg <- lm(Sepal.Length ~ Petal.Length+Petal.Width, data=iris) linearReg$coefficients (Intercept) Petal.Length Petal.Width 4.1905824 0.5417772 -0.3195506 linearReg您可以使用fitted.values功能: predictio
data(iris)
iris
并进行以下回归:
linearReg <- lm(Sepal.Length ~ Petal.Length+Petal.Width, data=iris)
linearReg$coefficients
(Intercept) Petal.Length Petal.Width
4.1905824 0.5417772 -0.3195506
linearReg您可以使用fitted.values
功能:
predictions = fitted.values(linearReg)
这将为您提供一个长度150
的向量,并对每个向量进行预测。例如,predicts[1]
等于4.1905824+iris$Petal.Length[1]*0.5417772+iris$Petal.Width[1]*(-0.3195506)
如果您想手动执行,您可以执行以下操作:
predictions = 4.1905824 + iris$Petal.Length*0.5417772 + iris$Petal.Width*(-0.3195506)
您将获得相同的值。您可以使用fitted。值功能:
predictions = fitted.values(linearReg)
这将为您提供一个长度150
的向量,并对每个向量进行预测。例如,predicts[1]
等于4.1905824+iris$Petal.Length[1]*0.5417772+iris$Petal.Width[1]*(-0.3195506)
如果您想手动执行,您可以执行以下操作:
predictions = 4.1905824 + iris$Petal.Length*0.5417772 + iris$Petal.Width*(-0.3195506)
您将获得相同的值。使用线性模型对象上的拟合
将获得每次观测的预测值
fitted(linearReg)
或者,您可以使用predict
插入预测器以从模型中获取预测。在您的情况下,您可以插入原始数据集
predict(linearReg, newdata = iris)
这里的不同之处在于,使用predict,您可以得到不在用于构建模型的数据集中的观测结果的预测。例如,如果要对某些新数据进行预测,只需要一个数据框,其中包含模型中使用的每个预测值的列,然后将其用作预测中的newdata参数
newdat <- data.frame(Petal.Length = c(1,2,3), Petal.Width = c(2,3,4))
predict(linearReg, newdata = newdat)
# 1 2 3
#4.093258 4.315485 4.537712
newdat在线性模型对象上使用拟合
将获得每次观测的预测值
fitted(linearReg)
或者,您可以使用predict
插入预测器以从模型中获取预测。在您的情况下,您可以插入原始数据集
predict(linearReg, newdata = iris)
这里的不同之处在于,使用predict,您可以得到不在用于构建模型的数据集中的观测结果的预测。例如,如果要对某些新数据进行预测,只需要一个数据框,其中包含模型中使用的每个预测值的列,然后将其用作预测中的newdata参数
newdat <- data.frame(Petal.Length = c(1,2,3), Petal.Width = c(2,3,4))
predict(linearReg, newdata = newdat)
# 1 2 3
#4.093258 4.315485 4.537712
newdat那些不是线-那些只是预测。那些不是线-那些只是预测。实际上我只是觉得你的手动公式也可以是:predictions@Swiss12000:I know,我只是想说得更清楚,因为你把原始数字放在了问题中。好的,谢谢,事实上我刚刚发现了它,所以它可能对不知道的人有用:)事实上,我只是想你的手动公式也可以是:预测@Swiss12000:I know,我只是想说得更清楚,因为你把原始数字放在了问题中。好的,谢谢,事实上我刚刚发现了它,所以也许它对不知道的人有用:)