如何调用r语言中的线性回归模型

Python012

如何调用r语言中的线性回归模型,第1张

esrequre <- function(x){ #求标准差平方估计值

sum <- 0

sum0 <- 0

for(i in 1:length(x)){

sum0 <- residu[i]^2

sum <- sum + sum0}

residusqure <- sum/(length(x)-2)

residusqure}

ester <- sqrt(esrequre(x))ester #标准差估计值(回归分析表给出的标准误差)

ZRE <- residu / esterZRE #标准化残差

logistic回归有二元和多元两种，就是因变量是二分类 还是多分类 二分类就用二元logistic回归，多分类用多元有序或者无序logistic回归 至于操作方法 跟普通线性回归差不多，分别把自变量和因变量移入相应对话框即可

不能发链接，所以我复制过来了。

#载入程序和数据

library(RSNNS)

data(iris)

#将数据顺序打乱

iris <- iris[sample(1:nrow(iris),length(1:nrow(iris))),1:ncol(iris)]

#定义网络输入

irisValues <- iris[,1:4]

#定义网络输出，并将数据进行格式转换

irisTargets <- decodeClassLabels(iris[,5])

#从中划分出训练样本和检验样本

iris <- splitForTrainingAndTest(irisValues, irisTargets, ratio=0.15)

#数据标准化

iris <- normTrainingAndTestSet(iris)

#利用mlp命令执行前馈反向传播神经网络算法

model <- mlp(iris$inputsTrain, iris$targetsTrain, size=5, learnFunc="Quickprop", learnFuncParams=c(0.1, 2.0, 0.0001, 0.1),maxit=100, inputsTest=iris$inputsTest, targetsTest=iris$targetsTest)

#利用上面建立的模型进行预测

predictions <- predict(model,iris$inputsTest)

#生成混淆矩阵，观察预测精度

confusionMatrix(iris$targetsTest,predictions)

#结果如下：

#predictions

#targets 1 2 3

# 1 8 0 0

# 2 0 4 0

# 3 0 1 10