반응형
/*******************************************************************************************************************
-- Title : [R3.3] 예측분석 - 단순 회귀분석 및 다중 회귀분석
-- Reference : hrd-net
-- Key word : R 회귀 분석 선형 회귀 선형회귀 회귀모델 절편 기울기 result.lm 회귀선 pred cor predict F-검정
설명력 r-squared petal sepal 회귀방정식 회귀 방정식 summary lm linear model read.csv
*******************************************************************************************************************/
-- Chart
-- R
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 | # ************************************************ # -- 회귀분석 # 특정 변수(독립변수)가 다른 변수(종속변수)에 어떠한 영향을 미치는가 분석 # ************************************************ # ************************************************ # -- 1. 단순회귀분석 # 독립변수와 종속변수가 1개인 경우 # ************************************************ # 연구가설 : 제품 적절성은 제품 만족도에 정(正)의 영향을 미친다. # 연구모델 : 제품적절성(독립변수) -> 제품 만족도(종속변수) # ------------------------------ # -- (1) 단순선형회귀 모델 생성 # 형식) lm(y ~ x 변수, data) # x:독립, y 종속, data=dataset # lm() 함수 -> x변수를 대상으로 y변수 값 유추 # ------------------------------ product = read.csv("D:\\RProject\\Rwork\\Part-IV\\product.csv", header=TRUE) head(product) # 친밀도 적절성 만족도(등간척도 - 5점 척도) str(product) # 'data.frame': 264 obs. of 3 variables: y = product$제품_만족도 # 종속변수 x = product$제품_친밀도 # 독립변수 df = data.frame(x, y) head(df) # x y # 1 3 3 # 2 3 2 # -- 회귀모델 생성 result.lm = lm(formula=y ~ x, data=df) result.lm # 계수 확인 # 1.926(절편) 0.399(기울기) head(df, 1) # 3(X) 3(Y) # -- 회귀방정식 = 1차 함수 # Y = 절편 + 기울기 * X Y = 1.926 + 0.399 * 3 Y # 3.123 # -- 잔차(오차) 3 - 3.123 # -0.123 # ------------------------------ # -- (2) 선형회귀 분석 결과 보기 # ------------------------------ summary(result.lm) # <회귀모델 분석순서> # 1. 모델의 유의성 검정 : F-검정 P값 # 2. 모델의 설명력 = 상관계수^2 # 3. x변수의 유의성 검정 : X P값 # ------------------------------ # -- (3) 단순선형회귀 시각화 # ------------------------------ # -- x,y 산점도 그리기 plot(formula=y ~ x, data=df) # -- 회귀분석 result.lm = lm(formula=y ~ x, data=df) # -- 회귀선 abline(result.lm, col='red') # ************************************************ # -- 2. 다중회귀분석 # ************************************************ # 여러 개의 독립변수 -> 종속변수에 미치는 영향 분석 # 연구가설 : 음료수 제품의 적절성(x1)과 친밀도(x2)는 제품 만족도(y)에 정의 영향을 미친다. # 연구모델 : 제품 적절성(x1), 제품 친밀도(x2) -> 제품 만족도(y) # ------------------------------ # -- (1) 적절성 + 친밀도 -> 만족도 # ------------------------------ y = product$제품_만족도 # 종속변수 x1 = product$제품_친밀도 # 독립변수1 x2 = product$제품_적절성 # 독립변수2 df = data.frame(x1, x2, y) result.lm = lm(formula=y ~ x1 + x2, data=df) # result.lm = lm(formula=y ~ ., data=df) names(result.lm) # "coefficients", "residuals" "fitted.values" # -- 잔차 확인 residuals(result.lm)[1:2] # -0.6959802 -1.0107567 # -- 적합값(예측값) fitted.values(result.lm)[1:2] # 3.695980 3.010757 # -- 계수 확인 result.lm # 0.66731(절편) 0.09593(X1) 0.68522(X2) # -- 회귀방정식 : Y(종속변수) = 상수 + 베타1.x1 + 베타2.x2... # Y = 절편 + 기울기1*X1 + 기울기2*X2 Y = 0.66731 + 0.09593 * X1 + 0.68522 * X2 head(df, 1) # 3(x1) 4(x2) 3(y)= 관측치 Y = 0.66731 + 0.09593 * 3 + 0.68522 * 4 Y # 3.69598(예측치) # -- 잔차(오차) 3 - 3.69598 # -0.69598 summary(result.lm) # <회귀모델 분석순서> # 1. 모델의 유의성 검정 # 2. 모델의 설명력 = 상관계수^2 # 3. x변수의 유의성 검정 # ------------------------------ # -- (2) 학습데이터와 검증데이터 분석 # ------------------------------ # -- 단계1 : 7:3비율 데이터 샘플링 dataset = read.csv("D:\\RProject\\Rwork\\Part-IV\\product.csv", header=TRUE) dataset dim(dataset) # 264 3 idx = sample(1:nrow(dataset), 0.7*nrow(dataset)) idx # 1 ~ 264 -> 70% # -- 단계2 : 학습데이터와 검정데이터 생성 train = dataset[idx,] # result중 70% dim(train) # [1] 184 3 train # 학습데이터 test = dataset[-idx, ] # result중 나머지 30% dim(test) # [1] 80 3 test # 검정 데이터 # -- 단계3 : 회귀모델 생성 : train set 이용 result.lm = lm(formula=제품_만족도 ~ 제품_적절성 + 제품_친밀도, data=train) summary(result.lm) # 학습데이터 분석 -> p-value: < 2.2e-16 # -- 단계4 : 모델 평가 : predict(model, testset) pred = predict(result.lm, test) # 1) 예측치 생성 cor(pred, test$제품_만족도) # 2) 모델 평가 # 0.7563656 -> 76% # ------------------------------ # -- (3) predict()함수 # 회귀분석 결과를 대상으로 회귀방정식을 적용한 새로운 값 예측(Y값) # 형식) predict(model, test) test에 x변수(회귀분석결과) 값 존재해야함 # ------------------------------ # -- iris 데이터셋 대상으로 다음과 같이 다중회귀분석을 수행하시오. # -- 조건1) 학습데이터(train),검증데이터(test)를 7 : 3 비율로 셈플링 idx = sample(1:nrow(iris), 0.7*nrow(iris)) train_iris = iris[idx, ] test_iris = iris[-idx, ] dim(train_iris) # 105 5 dim(test_iris) # 45 5 # -- 조건2) y변수 : Sepal.Length, x변수 : Sepal.Width, Petal.Length, Petal.Width) # -- 조건3) 1차분석 : train 데이터로 분석, 2차 분석 : test 데이터로 분석 model = lm(Sepal.Length ~ Sepal.Width+Petal.Length+Petal.Width, data = train_iris) model # 계수 # -- 조건4) 회귀선이 모델에 적합한지 검정 summary(model) # 1. F-검정 : 모델의 유의성 : 유의함 # 2. 설명력(R-squared) : 0.857 # 3. x변수 유의성 : 모든 변수 유의함(Petal.Width - 음의 영향) # -- 조건5) 모델 평가 pred = predict(model, test_iris) # 예측치 cor(pred, test_iris$Sepal.Length) # 0.9330729 -> 93% | cs |
-- Files
product.csv반응형