La r\u00e9gression lin\u00e9aire est une m\u00e9thode statistique utilis\u00e9e pour mod\u00e9liser la relation entre une variable d\u00e9pendante et une ou plusieurs variables ind\u00e9pendantes. En R, la fonction La fonction Supposons que nous avons un ensemble de donn\u00e9es sur les ventes d’une entreprise en fonction de la publicit\u00e9 et du prix. Voici un exemple de donn\u00e9es :<\/p>\n Dans cet exemple, Nous allons maintenant ajuster un mod\u00e8le de r\u00e9gression lin\u00e9aire pour pr\u00e9dire les ventes en fonction de la publicit\u00e9 et du prix.<\/p>\n Pour voir les r\u00e9sultats de notre mod\u00e8le, nous pouvons utiliser la fonction Cette commande affichera plusieurs informations utiles, notamment :<\/p>\n Les coefficients nous indiquent comment les ventes changent en fonction des variations de la publicit\u00e9 et du prix. Par exemple, si le coefficient de Ajuster une r\u00e9gression lin\u00e9aire avec Ajuster une r\u00e9gression lin\u00e9aire avec lm en R La r\u00e9gression lin\u00e9aire est une m\u00e9thode statistique utilis\u00e9e pour mod\u00e9liser la relation entre une variable d\u00e9pendante et une ou plusieurs variables ind\u00e9pendantes. En R, la fonction lm() est utilis\u00e9e pour ajuster un mod\u00e8le de r\u00e9gression lin\u00e9aire. Dans cet article, nous allons explorer comment utiliser cette fonction avec un exemple concret. Comprendre la fonction lm() La fonction lm() prend la forme suivante : lm(formule, data) formule : une formule qui d\u00e9crit la relation entre les variables. Par exemple, y ~ x1 + x2 indique que y est la variable d\u00e9pendante et x1 et x2 sont les variables ind\u00e9pendantes.Read More →<\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","rop_custom_images_group":[],"rop_custom_messages_group":[],"rop_publish_now":"initial","rop_publish_now_accounts":{"twitter_399453572_399453572":""},"rop_publish_now_history":[],"rop_publish_now_status":"pending","jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[14],"tags":[68,60],"class_list":{"0":"entry","1":"post","2":"publish","3":"author-vincent","4":"post-5199","6":"format-standard","7":"category-modelisation","8":"post_tag-lm","9":"post_tag-regression"},"acf":[],"jetpack_featured_media_url":"","jetpack_shortlink":"https:\/\/wp.me\/p9O7Sx-1lR","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/posts\/5199","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/comments?post=5199"}],"version-history":[{"count":0,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/posts\/5199\/revisions"}],"wp:attachment":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/media?parent=5199"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/categories?post=5199"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/tags?post=5199"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}lm()<\/code> est utilis\u00e9e pour ajuster un mod\u00e8le de r\u00e9gression lin\u00e9aire. Dans cet article, nous allons explorer comment utiliser cette fonction avec un exemple concret.<\/p>\nComprendre la fonction lm()<\/h2>\n
lm()<\/code> prend la forme suivante :<\/p>\nlm(formule, data)<\/code><\/pre>\n\n
formule<\/code> : une formule qui d\u00e9crit la relation entre les variables. Par exemple, y ~ x1 + x2<\/code> indique que y<\/code> est la variable d\u00e9pendante et x1<\/code> et x2<\/code> sont les variables ind\u00e9pendantes.<\/li>\ndata<\/code> : le data frame contenant les variables.<\/li>\n<\/ul>\nExemple concret<\/h2>\n
# Cr\u00e9ation d'un data frame\ndata <- data.frame(\n ventes = c(200, 300, 400, 500, 600),\n publicite = c(50, 60, 70, 80, 90),\n prix = c(20, 50, 30, 72, 40)\n)<\/code><\/pre>\nventes<\/code> est notre variable d\u00e9pendante, tandis que publicite<\/code> et prix<\/code> sont nos variables ind\u00e9pendantes.<\/p>\nAjustement du mod\u00e8le<\/h3>\n
# Ajustement du mod\u00e8le de r\u00e9gression lin\u00e9aire\nmodele <- lm(ventes ~ publicite + prix, data = data)<\/code><\/pre>\nR\u00e9sum\u00e9 du mod\u00e8le<\/h3>\n
summary()<\/code> :<\/p>\n# R\u00e9sum\u00e9 du mod\u00e8le\nsummary(modele)<\/code><\/pre>\n\n
Interpr\u00e9tation des r\u00e9sultats<\/h3>\n
publicite<\/code> est 3, cela signifie qu’une augmentation de 1 unit\u00e9 de publicit\u00e9 est associ\u00e9e \u00e0 une augmentation de 3 unit\u00e9s des ventes, toutes choses \u00e9tant \u00e9gales par ailleurs.<\/p>\nConclusion<\/h2>\n
lm()<\/code> en R est un processus simple et efficace pour analyser les relations entre les variables. En comprenant les r\u00e9sultats du mod\u00e8le, vous pouvez prendre des d\u00e9cisions \u00e9clair\u00e9es bas\u00e9es sur vos donn\u00e9es. N’h\u00e9sitez pas \u00e0 explorer davantage et \u00e0 appliquer cette m\u00e9thode \u00e0 vos propres ensembles de donn\u00e9es !<\/p>\n","protected":false},"excerpt":{"rendered":"