23.11.10-23.11.16第二次课后作业

23.11.10-23.11.16练习情况

2023.11.11第九章第十章

练习一:主要学习了第九章表单的内容,练习了form、input、textarea、select、option等表单,了解了input的text、password、button、submit、reset、checkbox、file等的属性以及其他标签的value、size等属性。表单标签只能放在form标签里面。有些标签的value和name属性必须设置,如单选框和复选框,后面也练习了第十章框架的一点内容。

20232.11.12第十一章

练习二:今天主要练习了第十一章css样式表的内容。样式表包括外部样式表,内部样式表和行内样式表。其中外部样式表是把html要用的样式写在另一个css文件中,并在html中用link 来应用,内部样式表是把样式应用放在head标签里面,行内样式表是把样式放在每一个单独的行内对每一个内容进行样式应用。

2023.11.13第十二章

1.学习第十二章css的主要内容,了解了id属性,class属性,如何用选择器去设置文本的样式,其中练习了五种选择器,有元素选择器,id选择器,class选择器,后代选择器和群组选择器。要点:id选择器要用#,class选择器要在前面用英文句号(. ),后代选择器要注意父元素和后代元素要用空格隔开,群组选择器要用英文逗号做分隔。

2.

2023.11.14第十三章

1.今天主要学习了第十三章字体样式的内容,包括字体类型、字体大小、字体粗细、字体风格和字体颜色。字体类型只有一个英文单词时不用加双引号,有多个单词或中文时要加上英文双引号,字体大小的设置有关键字和像素值来设置字体大小,字体粗细的设置有属性值和设置“100-900的数值”。字体风格主要是用italic和oblique来设置斜体样式。字体颜色可以用关键字和十六进制RGB值来设置。css的注释用(/*注释内容*/)来添加注释,不同于HTML的注释。

2.

2023.11.15第十四章

1.今天主要练习第十四章文本样式内容,学习了如何对一段文字进行样式定义,包括首行缩进、水平对齐、文本修饰、、大小写转换、行高和字母间距、词间距 。首行缩进用text-indent,其值应该设为字体大小的2倍,水平对齐text-align有左右对齐(left、right)和居中对齐(center),文本修饰text-decoration有默认值和上中下划线的效果。text-transform有none、uppercase、lowercase、capitalize属性值,效果分别为默认无转换、转为大写、转换为小写和只将每个英文首字母转为大写。行高text-height、字间距letter-spacing、词间距word-spacing可以用像素值来设置。

2.

2023.11.16第十五章

1.学习并练习第十五章边框样式内容,几乎所有元素都可以定义边框。定义边框时必须包含边框宽度、边框外观(实线或虚线等)和边框颜色三个方面。边框宽度用像素值来设置,边框颜色可以用关键字或十六进制RGB值来设置,边框的样式也可以简写,还可以设置边框的局部样式。

2.

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
好的,下面我将给您提供一个更具体的例子,以帮助您更好地理解如何用 R 语言进行回归分析。 1. 数据准备 我们将使用 R 内置的数据集 mtcars,该数据集包含了 32 辆汽车的性能数据,包括 mpg (每加仑英里数)、cyl (汽缸数)、disp (排量)、hp (马力)、wt (重量)、qsec (1/4 英里加速时间)、vs (发动机形式)、am (变速器类型)、gear (齿轮数) 和 carb (化油器数量) 等变量。可以使用以下命令加载该数据集: ``` data(mtcars) ``` 2. 回归模型建立 我们以 mpg 作为响应变量,以 cyl、disp、hp 和 wt 作为自变量,建立一个简单的线性回归模型。可以使用以下命令来实现: ``` model <- lm(mpg ~ cyl + disp + hp + wt, data = mtcars) ``` 3. 模型参数估计 模型参数估计的结果可以使用以下命令查看: ``` summary(model) ``` 该命令将输出模型的各项统计指标,包括自变量的系数估计、标准误、t 值、p 值等。输出结果如下: ``` Call: lm(formula = mpg ~ cyl + disp + hp + wt, data = mtcars) Residuals: Min 1Q Median 3Q Max -4.9811 -2.1185 -0.8858 1.4919 7.3825 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 39.6863 1.7150 23.136 < 2e-16 *** cyl -1.5078 0.4147 -3.636 0.00107 ** disp 0.0083 0.0099 0.840 0.40989 hp -0.0186 0.0139 -1.338 0.19326 wt -3.1901 1.1570 -2.758 0.01093 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 3.046 on 27 degrees of freedom Multiple R-squared: 0.7673, Adjusted R-squared: 0.7338 F-statistic: 23.11 on 4 and 27 DF, p-value: 2.616e-08 ``` 4. 模型检验与诊断 模型的合理性可以通过多种方法进行检验,例如拟合优度检验、残差分析等。以下是一些常用的模型检验与诊断方法: - 拟合优度检验:使用以下命令计算模型的拟合优度 R²: ``` rsq <- summary(model)$r.squared ``` 该命令将返回一个值为 0.7673 的拟合优度。 - 残差分析:使用以下命令绘制残差图和 QQ 图,以检查模型的残差是否符合正态分布和等方差性假设: ``` par(mfrow = c(2, 2)) plot(model) ``` 该命令将绘制残差图和 QQ 图,如下图所示: ![残差图和QQ图](https://i.loli.net/2021/09/07/a1cGdLl8Y2Q5gkS.png) 从残差图和 QQ 图可以看出,模型的残差分布基本符合正态分布和等方差性假设。 - 异常值诊断:使用以下命令检查是否存在离群点: ``` outliers <- cooks.distance(model) > 4/nrow(mtcars) which(outliers) ``` 该命令将返回一个长度为 0 的向量,说明模型中不存在离群点。 5. 模型改进 如果模型存在问题,可以采取一些方法进行改进。以下是一些常用的模型改进方法: - 变量转换:例如对自变量进行对数化、平方根化等变换,以改善模型的拟合效果。 - 引入交互项:例如引入两个自变量的乘积项,以考虑它们之间的交互作用。 - 引入高阶项:例如引入某些自变量的二次项、三次项等,以考虑它们与响应变量之间的非线性关系。 6. 自变量选择 如果自变量过多,可能会导致模型过于复杂,且容易出现过拟合的问题。因此,我们需要对自变量进行选择,以选取最能解释响应变量的自变量。以下是一些常用的自变量选择方法: - 前向选择法:从空模型开始,逐步引入自变量,每次选择使得模型拟合优度最大的自变量,直到无法再引入新的自变量。 - 后向选择法:从包含所有自变量的模型开始,逐步删除自变量,每次删除使得模型拟合优度最小的自变量,直到无法再删除自变量。 - 正则化方法:如 LASSO、岭回归等,通过加入一个正则化项来约束模型参数,以达到自变量选择的目的。 以上是一个简单的回归分析案例,您可以根据自己的需求进行修改和扩展。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值