R---简单线性回归

回归主要关注一个因变量(dependent variable)(也是需要预测的值)和一个或多个自变量(independent variable)
回归有很多种比如（线性回归、逻辑回归、泊松回归....）这里主要讨论线性回归。线性回归又可以分成简单线性回归 和 多元回归。[其中因变量假设是连续的]
简单线性回归：OLS(最小二乘法)
 ```
          y = a*x + b (拟合函数)
  ```      
 即通过数据集中的自变量 x 求出 因变量 y ,主要是求函数的参数  （a/b）
用的是最小二乘法， e = ∑((y-yp)^2); y是实际值，yp是预测值，e就是残差平方和
用的是使e最小，对a,b求偏导 = 0的方式，将a/b带入e中，分别求得b,a的值
  b = ∑(x-mean(x))∑(y-mean(y))/∑(x-mean(x))^2
or
  b = cov(x,y)/var(x)  # (x,y 的协方差除以 x 的方差）
  （补充：相关系数 cor = cov(x,y) / (sd(x)*sd(y))
   协方差：cov(x,y) = E[(X-E(X)(Y-E(Y))];协方差=0 则说明 x,y两组数据相互独立 ）
多元回归：
 y = a*x + b
 与上面几乎一样，但是这时，a 是 一个向量，x 是一个矩阵，同样需要求取 a 的向量值，不过是运用矩阵的计算，比较复杂，但是r语言内置的lm函数会帮我计算的。

R中可以用基本包stats包中的是lm函数 or leap包中regsubsets函数
l_m <- lm(y~.,data)
l_pred <- predict(l_m,test)
summary(l_m)#可以看见残差，系数，显著性，赤池信息 等....

如果x(自变量)中有因子型变量，lm函数会自动对其进行哑变量处理，例如
a = ['q','b','b','q','w','w']
q = [1,0,0,1,0,0]
b = [0,1,1,0,0,0]
(w = [0,0,0,0,1,1]) #这一列是不需要的，也就是说R会将a中 n 个的因子转化成 n-1 哑变量。

leaps包（逐步回归法）
lp_m <- regsugsets(t~.,data,nvmax = ？（取决于变量数）,method = 'forward'or'backward')#向前、向后逐步回归