• 线性函数拟合R语言示例


    线性函数拟合(y=a+bx)

    1.       R运行实例

    R语言运行代码如下:绿色为要提供的数据,黄色标识信息为需要保存的。

    x<-c(0.10,0.11, 0.12, 0.13, 0.14, 0.15,0.16, 0.17, 0.18, 0.20, 0.21, 0.23)

    y<-c(42.0,43.5, 45.0, 45.5, 45.0, 47.5,49.0, 53.0, 50.0, 55.0, 55.0, 60.0)

    data1=data.frame(x=x,y=y)  #数据存入数据框

    #拟合线性函数

    lm.data1<-lm(y~ x,data=data1)

    summary(lm.data1)        #输出拟合后信息

    Call:

    lm(formula = data1$y ~ data1$x)

    Residuals: #残差分位数(当残差个数较少时,此处显示所有残差值)

       Min      1Q   Median   3Q    Max

      -2.0431  -0.7056 0.1694  0.6633  2.2653

    Coefficients:

           #系数估计值 #系数标准误差 #t检验值 #对应t值概率的2

              Estimate     Std. Error      t value   Pr(>|t|)   

    (Intercept)   28.493       1.580        18.04   5.88e-09 ***

    data1$x    130.835      9.683        13.51   9.50e-08 ***

    ---

    Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’1

    Residual standard error: 1.319 on 10degrees of freedom

    #拟合优度判定系数          #修正的拟合优度判定系数

    Multiple R-squared:  0.9481,       AdjustedR-squared: 0.9429

    #F检验值                   #F检验值对应的概率

    F-statistic: 182.6 on 1 and 10 DF,  p-value:9.505e-08

    t检验值对应的Pr(>|t|):该数值由于是t检验量对应的概率的2倍,所以其数值小于0.1时,就说明对应的自变量对于因变量来说是有显著性的,当然数值越小,显著性越高。

    F检验值对应的p-value:F检验值对应的概率。当其数值小于0.05时,说明回归方程是显著的。

    Adjusted R-squared修正拟合优度:数值越接近1,模型拟合的越好。

    /***********************数值输出********************************/

    coefficient<-lm.data1$coefficients  #回归所有系数列举

    coefficient[1]  #系数a:截距

    coefficient [2]  #系数b

    tvalue<-summary(lm.data1)$coefficients[1:2,3]         #t检验值

    tvalue[1]                  #系数a对应的t检验值

    tvalue[2]                  #系数b对应的t检验值

    Pr<-summary(lm.data1)$coefficients[1:2,4]             #t检验值对应的概率的2倍

    Pr[1]                     #系数a对应t检验值对应的概率2

    Pr[2]                     #系数b对应t检验值对应的概率2

    ARsquared<-summary(lm.data1)$adj.r.squared        #修正的拟合优度判定系数

    F_info<-summary(lm.data1)$fstatistic               #F检验的F值、自由度DF和概率

    F_info[1]                  #F检验值

    F_info[2]                  #F检验量的自由度

    F_info[3]                  #F检验值对应的概率

    /****************************************************************/

     

    #残差正态性检验

    ks.test(lm.data1$residuals,"pnorm",0)

          One-sampleKolmogorov-Smirnov test

    data: lm.data1$residuals

    #D检验值  #对应的概率值

    D = 0.1332, p-value = 0.9648

    alternative hypothesis: two-sided

    D检验值对应的概率值p-value:该数值大于0.05,说明残差服从均值为0的正态分布。

    /***********************数值输出********************************/

    ks_test<-ks.test(lm.data1$residuals,"pnorm",0)    #获取正态性检验信息

    ks_test[1]               #KS检验值

    ks_test[2]               #KS检验值对应的概率

    /****************************************************************/

    #残差独立性检验:DW法检验残差序列的自相关性

    dwtest(lm.data1)

          Durbin-Watsontest

    data:  lm.data1

    #d.w检验值#对应的概率值

    DW = 2.5465, p-value = 0.7422

    alternative hypothesis: trueautocorrelation is greater than 0

    DW检验值对应的概率值p-value:该数值大于0.05时,说明残差序列独立。

    /***********************数值输出********************************/

    dw_test<-dwtest(lm.data1)  #获取独立性检验信息

    dw_test[1]               #DW检验值

    dw_test[4]               #DW检验值对应的概率

    /****************************************************************/

    #残差同方差检验

    bptest(lm.data1)

          studentizedBreusch-Pagan test

    data: lm.data1

    #BP检验值  #自由度 #对应概率值

    BP = 0.9831,  df = 1,  p-value = 0.3214

    BP检验值对应的概率值p-value:该数值大于0.05,说明残差是同方差的。

    /***********************数值输出********************************/

    bp_test<- bptest(lm.data1)  #获取独立性检验信息

    bp_test[1]               #BP检验值

    bp_test[2]               #BP检验量的自由度

    bp_test[4]               #BP检验值对应的概率

    /****************************************************************/

    2.       拟合曲线图

    ab<-round(lm.data1$coefficients[1],3)  #回归方程系数a,保留3位小数
    bb<-round(lm.data1$coefficients[2],3)  #回归方程系数b,保留3位小数
    plot(data1$x,data1$y,xlab="x",ylab = "y",col="red",pch="*") #训练数据点

    abline(lm.data1,col="blue")  #拟合曲线

    text(mean(data1$x),max(data1$y),paste("y = ",bb,"x+(",ab,")",sep = ""))#方程式



  • 相关阅读:
    所有选择器
    display:block、display:inline与displayinline:block的概念和区别
    jQuery 选择器
    JS日历制作获取时间
    HTML DOM 事件
    访问HTML元素(节点)
    HTML常用标签
    flask+mysql的Docker 部署
    docker(三)
    flask如何部署
  • 原文地址:https://www.cnblogs.com/xiaodf/p/5027161.html
Copyright © 2020-2023  润新知