R 如何检查线性回归模型对数据的拟合程度？

我有一个小数据集和一个模型，根据我的计算，这个模型应该很好地拟合数据（它是手动计算的，不是用R），但我想确切地检查它与数据的拟合程度。那么，有没有一种方法可以将我的模型输入到R中（而不是使R与模型匹配），并检查它与数据的匹配程度

我不知道这是否重要，但我的建模函数是f（x）=-6.65x^2-23.28x-16.85。 我的数据集只有两个向量，每个向量有7个值

---

如果有人知道这样做的函数，请帮助

假设您有

x

的数据和观测值

y

，您将必须创建一个向量来存储所有预测的

y（x）

，然后使用要用于评估模型的度量

假设您有下表：

>>> df
   y   x
  23   5
 998  12
 121  52
  57   3

下一步是添加一个名为

y\u pred

的列：

df$y_pred = (df$x * df$x) - (df$x * 23.28) - 16.85

您现在已将

y_pred

存储在

df$y_pred

中，因此您需要做的就是将

df$y

与

df$y_pred

进行比较（您没有指定如何执行此操作）

例如，您可以绘制

df$x

和

df$y

的散点图，并在其上绘制线

df$y_pred

。我建议为此使用

ggplot

。

---

否则，您可以通过执行

df$err_squared来获得平方误差。如果没有这些误差，这是不可能知道的。如果只有7个变量，为什么不；你不能在R中运行它，它会给你大量的信息。你能把你的数据集和代码添加到你的问题中吗？您可以使用dput（数据）。你想做什么？是否要手动验证回归模型是否适合？如果可能，请添加这些信息