13、线性回归与分类算法详解

线性回归与分类算法详解

线性回归分析

在进行线性回归分析时，我们需要关注多个方面，以确保模型的有效性和可靠性。

回归结果解读

首先，通过回归分析的输出，我们可以得到一些关键指标。例如，F 统计量的 p 值显著，这表明模型整体是有意义的。多重决定系数（Multiple R - squared）显示模型能够解释 55%的方差，而调整后的决定系数（Adjusted R - squared）略低于多重决定系数，说明预测变量的数量对结果影响不大。

Accompl
0.032923
0.010392
3.168
0.00313
**
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.4892 on 36 degrees of freedom
Multiple R - squared: 0.55, Adjusted R - squared: 0.5125
F - statistic: 14.67 on 3 and 36 DF, p - value: 2.116e - 06

残差正态性检验

残差的正态分布对于线性回归模型非常重要。我们可以通过绘制直方图来直观检查残差的分布情况。

hist(resid(model1), main="Histogram of residuals", 
   xlab="Residuals")
</