
回归与预测
|
109
下面,我们使用设置了
weight 参数的 lm 函数计算加权回归。
house_wt <- lm(AdjSalePrice ~ SqFtTotLiving + SqFtLot + Bathrooms +
Bedrooms + BldgGrade,
data=house, weight=Weight)
round(cbind(house_lm=house_lm$coefficients,
house_wt=house_wt$coefficients), digits=3)
house_lm house_wt
(Intercept) -521924.722 -584265.244
SqFtTotLiving 228.832 245.017
SqFtLot -0.061 -0.292
Bathrooms -19438.099 -26079.171
Bedrooms -47781.153 -53625.404
BldgGrade 106117.210 115259.026
加权回归的系数与原始的回归系数略有差异。
本节要点
•
多元线性回归建模了响应变量
Y
与多个预测变量
X
1
,
…
,
X
p
之间的关系。
•
均方根误差(
RMSE
)和
R
2
是评价模型最重要的度量。
•
回归系数的标准误差可用于度量变量对模型的贡献的可靠性。
•
逐步回归是一种自动确定模型中应包括哪些变量的方法。
•
加权回归用于拟合函数中,可以对特定记录给予更大或更小的权重。
4.3
使用回归做预测
在数据科学中 ...