数据分析中常见的七种回归分析以及R语言实现（一）--简单线性模型

刚刚学习数据分析的人应该知道回归分析是作为预测用的一种模型，它主要是通过函数来表达因变量（连续值）和自变量变量的关系，通俗的来说就是Y和X的关系通过公式表达出来；这样能够表明因变量和自变量之间的显著关系并且是函数关系，还可以表明多个自变量对一个因变量的影响强度，回归分析主要运用在预测分析上，虽然说是预测，但是有时候我们的回归模型只是被用来解释现场，并不需要去预测，例如，科学家猜想人的体重和某种特定的食物消耗有关；

1、线性回归

在古典的线性回归模型中是要满足几个假定：

A假设自变量和因变量存在线性关系，具体的说就是假设因变量Y，是一些自变量X1，X2，..,XN的一个线性函数它的表达式

B零均值假定，就是假定回归线通过X与Y的条件均值组成的点；

C同方差假定，就是各个随机误差项的离散程度是相同的，也就是说对于每个X，随机项相对均值的分散程度是相同

D无自相关，就是随机扰动项之间是互不相关的，互补影响，也就是说随机扰动项是完全随机分布的

E因变量和扰动项是完全不相关的假定；

F扰动项正态性假定，就是假定扰动项服从均值为零，方差为司格马的正太分布 

其中回归模型的表达式写法如下

其中e是随机扰动项，也有写法是这样，Y=a+bX+e，其中a是截距项，b是斜率，e是随机扰动项；   

参数最优---最小二乘法

竟然存在参数，那么如何获取到最佳的参数呢，简单线性模型使用的普通最小二乘法，这里就不写明写详细步骤了，这个可以利用搜索引擎查的得到，我就说说它的主要思想就好，因为我们在拟合过程的时候我们要使回归线尽量靠近所有的样本点，这时候我们就要使它们残差尽量小，因为残差是有负有正，所以我们就采用平方去处理，采用平方和最小原则，通过求导，使其导数为零，求解得到最优的参数，这样就能够使回归模型应该使所有观察值的残差平方和最小；大致就是这样，文字描述有些吃力，有什么问题可以评论一起交流

R语言实践

这里我使用的我最近读和做笔记的R语言核心技术手册的包nutshell中的team.batting.00to08数据，这个数据是2000年到2008年棒球队的数据，我们想要看看棒球队的得分和每个变量的关系；

载入数据

library(nutshell)

data("team.batting.00to08")

查看数据的前六行

这就说明了数据已经被我们完全的载入进来了，也知道有多少个变量以及变量的名字，这时候我们要大体的知道一下大体的概括，这时候使用的summary()函数

summary(team.batting.00to08)

在棒球中RUNS就是球队的得分，时间是从2000年到2008年等

这时候想看看各个变量之间相关性如何

，粗劣的使用cor函数得到它们之间的相关系数矩阵，因为数据框存在字符，所以我们要提出第一第二列

cor(team.batting.00to08[,3:10])

大致可以判断的出来得分和跑动距离和全垒打（homerus）相关系数较大；

这里我们经常使用R语言里面的Lm函数去拟合以上变量，然后得到模型，然后使用summary()函数打印更多关于模型的信息

runs.lm <- lm(runs~singles+doubles+triples+homeruns+walks+hitbypitch+sacrificeflies+stolenbases+caughtstealing,data=team.batting.00to08)

summary(runs.lm)

从上图结果可以知道，R的可决系数是0.9114，模型F值较大，通过显著性检验，其中变量caughtstealing和stolenbases和runs不显著的关系，这个需要剔除；

我们可以手动剔除也可以使用step函数自动剔除

runs.lm_a <- lm(runs~singles+doubles+triples+homeruns+walks+hitbypitch+sacrificeflies,data=team.batting.00to08)

runs.lm_b<-step(runs.lm)

这个就讲到这里，这个下面几篇文章会讲到用什么方法得到这样的结果

参考文献代码

R语言核心技术手册

End

号外：12月29日周四晚，甲骨文公司商务智能资深技术顾问赵昌明主讲《Oracle大数据分析之数据探索在金融业的应用》

报名方式 ：扫描下方二维码 | 阅读原文