《深入浅出数据分析》第十章第十一章

最新推荐文章于 2024-05-07 00:48:34 发布
最新推荐文章于 2024-05-07 00:48:34 发布
阅读量383 收藏 1
点赞数 1
分类专栏： 数据分析 文章标签： 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_45662160/article/details/118892512
版权
这篇博客探讨了如何使用R语言绘制散点图并进行回归分析。内容包括加载CSV文件，绘制散点图来比较职员期望和实际加薪幅度，计算相关系数r以评估变量相关性，创建回归方程，分析均方根误差，以及如何通过分割数据减少误差。此外，还介绍了lm函数在拟合回归模型中的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

R语言

从上一章开始，就都涉及到R语言的内容了，在这记录一下，就当给自己做的笔记。

一、散点图

这次要绘制的是散点图，并且求出它的回归方程。

  1. 首先，还是加载csv文件。和上一个一样就不多写了。
  2. 之后就可以直接绘制散点图了。
    这个图主要是比较职员期望的加薪幅度和实际的加薪幅度，并且依据数据建立回归模型，用来分析加薪幅度，以便获取大幅度的加薪。
plot(x, y)

在这里插入图片描述
最后图片长这样。

  1. 计算相关系数r
最低0.47元/天 解锁文章
《深入浅出数据分析》小结
maplepiece1999的博客
12-30 810
可以学到分析现实问题的系统性方法。从卖咖啡到开橡皮玩具厂，再到要求老板涨工资，此书告诉我们如何发现和解密数据在日常生活中的强大作用。从图形图表到Excel和R计算程序，《深入浅出数据分析》想尽办法让各个层次的读者都体会到系统化的数据分析对于制定大大小小的决策的强大作用 一、数据分析引言 背景：作为一名职场新人，接受首席执行官提高Acme公司貌洁超强保湿霜的销量的任务 数据：Acme六个月实际销售与目标销售情况和产品单价以及广告费与社会网络费的投放情况 第一步，确定(了解信息）【提高销售量至目标定额，消费群体
《深入浅出强化学习原理入门》学习笔记（一）总结与绪论
lxs3213196的博客
11-20 1266
《深入浅出强化学习原理入门》学习笔记（一）总结与绪论1、《深入浅出强化学习》总结2、强化学习3、序贯决策问题4、马尔科夫决策过程5、动态规划算法6、强化学习算法演进的两个关键时间节点7、强化学习算法分类8、强化学习基本框架9、强化学习仿真环境gym（1）选用gym平台的原因（2）gym环境的安装（3）深入剖析gym环境的构建 1、《深入浅出强化学习》总结 《深入浅出强化学习》包含绪论和四个篇章，全书分为两条线索： 第一条线索是强化学习的基本算法。 绪论讲解了强化学习的是什么，可以解决什么问题，怎样解决问题，
《深入浅出数据分析》一书要点记录（三）：第10章到第13章
欧阳雨明的博客
11-14 421
10. 回归——预测 要点： （1）算法：为了完成某个计算而执行的任何过程。 （2）散点图：见第4章，用于显示观察结果的成对关系。 （3）平均值图：一种散点图，显示了与X轴上的每个区间相对应的Y轴数值。 （4）回归线：最准确地贯穿平均值图中各个点的直线，可以用等式来表达，用来预测某个范围内的X变量对应的Y变量。 斜率b的计算如下（其中r是相关系数，σ是标准偏差）: （5）相关...
《深入浅出数据分析》-10.回归(预测)
intricate_的博客
04-16 453
十、回归 前面的第九章，我们通过直方图得到了一个结论，主动申请加薪比不主动申请能得到更高的加薪比例，显然，你发现了如何得到更高加薪的秘密，这是大家的福音，所以你也应该利用这个技能来帮别人争取加薪，但要求加多少钱合理呢？ 从已有的数据中，我们统计了客户的要求加薪幅度与实际加薪幅度 在R中运行一下几行指令： 加载数据：employees<-read.csv("http://w...
R语言书籍学习03 《深入浅出R语言数据分析》-第十章 关联规则 第十一章 随机森林
深竹清风的博客
06-11 365
关联规则是大数据问题的简单解决方案之一，属于无监督学习算法。用于在没有任何模式先验知识的情况下识别模式。可应用于个性化推荐等场景。关联规则有两个部分，即前提和结果。前提部分是数据中找到的项目，结果是与前因结合发现的项目。通过分析频繁的if/then模式的数据并使用支持度和置信度来识别最重要的关系来创建关联规则。先使用summary()显示数据细节，使用inspect()查看数据，使用itemFrequency()函数查看项目出现的频率。使用eclat()函数构建模型，其第一个参数是所用到的数据集，param
《深入浅出数据分析》-11.误差(合理误差)
intricate_的博客
04-16 1018
十一、误差 下面是几位不同客户的预测结果： 内插法：数据范围以内的情况，但偏离回归线 外插法：数据范围以外的情况，因为缺少数据无法进行预测，可以提前增加注释“预测范围介于x%至y%之间有效” 以下几种情况都会对模型的有效性造成影响 但在预测范围内，预测结果也会出现机会误差（实际结果与模型预测结果之间的偏差） 我们用均方根误差定量表示残差分布 均方根误差：summa...
深入浅出Visual C++核心编程技巧：第6至10章
1. **实战导向**：可能在第六章到第十章中包含了具体的编程示例和项目案例，帮助读者从实践的角度掌握VC++编程。 2. **章节重点**：涵盖的章节可能涉及了VC++编程中的重要概念和技巧，这些通常包括但不限于对象的...
MFC深入浅出带目录完整版(李久进chm版)
02-28
本书的中心就是深入浅出地解析MFC类库，分析怎么使用MFC类库以及MFC类库的内部实现，揭开MFC复杂、深奥的面纱，让读者对MFC有一个全面、透彻、清晰的理解。关于MFC的核心实现，主要有以下几个方面。 首先，MFC采用...
数据结构数据结构
08-22
10. **第十二章** - 提到了“文件”，这部分可能会讨论文件系统、文件的存储结构、I/O操作和文件管理策略。 习题部分包含了选择题和判断题，以及对基本概念的简述，这些都是检验和巩固理论知识的有效方式。例如，...
用matplotlib画带有误差棒的三维数据散点图（第三维连续变量属性用节点颜色和大小表示）——python
weixin_41168304的博客
12-04 5313
我想绘制一个带有误差棒的散点图，同时数据的第三个属性能用散点大小和颜色表示，我查了很多资料发现如果单独用errorbar来绘制图，其点的大小和颜色很难根据数据而改变，尤其是很难达到一个渐变的效果，因此我想到了把散点图和误差棒图结合为一张图 最后我得到的图如下： 先分别介绍一下两个函数的参数 1. scatter函数（散点图） x，y，z分别代表数据的三个属性，其中x,y分别表示为横纵坐标，z用散点的颜色和大小表示。 matplotlib中散点图函数scatter介绍 注：该图转来自Pyth.
Origin如何绘制带误差棒的散点图？
wlh2067的博客
03-24 7438
在复现之前，您的Origin版本最好是最新的2022，强烈建议更新，因为绘图方式更迭是很快的，Origin每个版本都新增了很多种绘图方式。以上两张图可以叫做带误差的散点图，都带有误差线，但是不同的是，两张图的x轴不一样，一个是连续。因为X轴连续，只能添加几个局部的误差棒，手动计算后，在表格的最后几行添加。这种情况比较麻烦，因为误差棒是手动添加的，此外还要添加线性拟合线。下面尝试用Origin复现这两张图，首先看第二个简单的。要获得填充颜色和边框颜色之间的美观配色，从。，然后选择连接线的颜色。
中计算均方误差_协方差分析的基本思想和应用前提（中）
weixin_27283495的博客
12-31 975
作者：帅力 封面：吉江好了，进行第二节啦，我们就上面的案例进行协方差分析，帅帅带大家一步步来做哈。一、建立数据集1.在spss中建立数据集，共4个变量，组别为分组变量，初始体重代表每个样本的初始体重，最终体重代表每个样本的最终体重，增加体重代表每个样本体重增加量。二、绘制散点图和进行简单线性回归分析2.通过散点图观察各组数据分布情况，选择“图形-旧对话框-散点/点状”3.观察散点...
多组间比较散点图+误差棒（自备）
最新发布
hx2024的博客
05-07 579
【代码】多组间比较散点图+误差棒（自备）
基于python数据分析（分析篇七：预测/误差）
fanyutou的博客
10-07 3653
一、预测，回归 算法：为了完成某个计算而执行的任何过程。 1.散点图的使用 只要是涉及到两种变量都应该使用（根本在于看出散点图两种变量中的之间的关系） 散点图：用于展现数据快捷经典的方式，现实的是数据的分布情况， 与直方图不同的是，散点图显示的两种变量，散点图现实出现观察结果的成对关 系，一个好的散点图可以是原因说明的一个重要组成部分。 2.直线的使用 贯穿数据的直线有可能是有效的预测办法 直线的来源：考虑我们尝试解决问题时，使用的算法 散点图的合理分割，确定期望与实际相匹配的对象。有助于确定
R语言-岭回归的代码与案例解读
MasterAdoge的博客
03-04 1万+
应用岭回归的场景有很多。 本文介绍的是 在应用多元线性回归时 遇到多重共线性问题，且无法删除变量或者增加样本量的情况下，应用岭回归的情况。
方差、标准差（均方差），均方误差、均方根误差
图形跟班
09-09 4055
方差（Variance）、标准差（均方差，Standard Deviation），均方误差（MSE）、均方根误差（RMSE） 其中，标准差是方差的平方根，均方根误差是均方误差的平方根 所以，这四个概念的区别可以简化为方差（Variance）和均方误差（MSE）的区别： 方差（Variance）描述的是一组数据内部的离散程度； 均方误差（MSE）描述的是两组数据之间的差异程度； 方差（Va...
R绘图(4): 散点图添加相关系数/回归方程
TOP生物信息
03-14 6596
属于比较常用的技巧。下面我用ggplot2内置数据集进行演示： 先来看一下，仅有散点和拟合线的图 df=diamonds[sample(1:dim(diamonds)[1],40),] df$price=df$price / 10000 p=df%>%ggplot(aes(carat,price))+ geom_point(size=4,alpha=0.3,color="#6baed6")+ geom_smooth(method = "lm", fo.
相关性、平均值、标准差、相关系数、回归线及最小二乘法
热门推荐
胡杰的专栏
01-20 8万+
平均值、标准差、相关系数、回归线及最小二乘法  相关性 线性相关 数据在一条直线附近波动，则变量间是线性相关 非线性相关 数据在一条曲线附近波动，则变量间是非线性相关 不相关 数据在图中没有显示任何关系，则不相关   平均值 N个数据 的平均值计算公式：       标准差 标准差表示了所有数据与平均值的平均距离，表示了数据的散度，如果标准差小，表示数据
第六章 平均绝对误差（MAE）与均方根误差（RMSE）
qq_36171491的博客
03-06 3万+
本章主要介绍了平均绝对误差、均方根误差及其代码实现。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值