R语言----线性回归（一元&多元）

回归分析是一种非常广泛使用的统计工具，用于建立两个变量之间的关系模型。

这些变量之一称为预测变量（自变量x），其值通过实验收集。
另一个变量称为响应变量（因变量y），其值从预测变量派生。

一元线性回归

在线性回归中，预测变量与相应变量通过方程相关，其中这两个变量的指数（幂）为1.
数学上，线性关系表示：当绘制为图时的直线。 任何变量的指数不等于1的非线性关系将创建一条曲线。

线性回归的一般数学方程为 ：

y = ax + b

以下是所使用的参数的描述：

• y是响应变量。
• x是预测变量。
• a和b被称为系数常数。

创建关系的步骤是 ：

• 进行收集观测值的样本的实验。
• 使用R语言中的lm()函数创建关系模型。
• 从创建的模型中找到系数，并使用这些创建数学方程
• 获得关系模型的摘要以了解预测中的平均误差。 也称为残差。
• 为了预测新的结果，使用R中的predict()函数。

举个栗子：
已知人的身高预测人的体重

样本数据集如下所示：

# Values of height
151, 174, 138, 186, 128, 136, 179, 163, 152, 131

# Values of weight.
63, 81, 56, 91, 47, 57, 76, 72, 62, 48

lm( ) 函数

lm(formula,data)

• formula是表示x和y之间的关系的符号。
• data是应用公式的向量。

获取公式：

输入：

x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)
# Apply the lm() function.
relation <- lm(y~x)

print(relation)

输出：

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept)            x  
   -38.4551       0.6746

即 y = 0.6746x + （-38.4551）

获取总结：
输入：

x <- c(151, 174, 138, 186, 128, 136,