广义相加模型（GAM）与向前逐步选择算法（基于R语言）

广义相加模型（GAM）与向前逐步选择算法（基于R语言）

一、题目

（a）使用College数据集，以Outstate作为响应变量，其余作为预测变量，使用逐步回归得到一组合适的预测变量的子集。
（b）将观测数据分成训练集和测试集。在训练集上拟合广义可加模型，将Outstate作为响应变量，逐步回归得到的结果作为预测变量。画出拟合结果，解释你的发现。
（c）在测试集上评价前面得到的模型，并解释结果。
（d）如果有的话，观察哪些变量和响应变量有非线性关系。

二、向前逐步选择

导入college数据集后，先进行数据的预处理。
分类变量Private需改成数值型的0-1变量，便于线性回归。
数据集的第一列是大学名称，对于预测Outstate没有帮助，所以删去。（下列代码基于R语言）

library(data.table)
college = fread("C:\\Users\\39291\\Downloads\\College.csv", data.table = FALSE)#导入数据
college$Private = as.numeric(as.factor(college$Private)) - 1#将分类变量Private的Yes改成1，No改成0
college = college[, -1]#删去数据框的第一列

进行向前逐步回归，也就是根据RSS最低原则，不断增加预测变量的个数，得到不同预测变量个数的RSS较低的模型。
画出RSS与预测变量的关系，显然随着预测变量的增加，RSS单调减少。
画出调整后R2、Cp、BIC与模型预测变量个数的关系，并根据这三个准则选取最优模型。

library(leaps)
regfit.fwd = regsubsets(Outstate ~ ., data = college, nvmax = 18, method = "forward")  #向前逐步回归
par(mfrow = c(2, 2))  #告诉R：我要画一张带有4张子图的图片，每行两张图，共两列。
plot(summary(regfit.fwd)$rss, xlab = "Number of Variables", ylab = "RSS", type = "l")  #画出RSS与变量个数的关系图
plot(summary(regfit.fwd)$adjr2, xlab = "Number of Variables", ylab = "Adjusted RSq", 
    type = "l")  #画出调整后R2与变量个数的曲线图
which.max(summary(regfit.fwd)$adjr2)  #输出调整后R2准则下的最优