鲁达 一：简单线性回归
语法
>lm(formula，data) 拟合回归模型 formula格式为Y~X1+X2,,,,,+XK ~的左侧是响应变量，右侧为各个预测变量
实战
案例：r的基础安装中的数据集women提供了15个年龄在30~39岁间女性的身高和体重的信息，现在通过身高来预测体重。
由以上代码获得如图的“身高预测体重的散点图以及回归线”
通过输出结果，可以得到预测等式：
weight=-87.51667+3.45*height
pr（>|t|）<0.001，表明身高每增加1英寸，体重将预计增加3.45英镑。
R平方根表明模型可以解释体重99.1%的方差。
残差：1.53，则认为是模型用身高预测体重的平均误差。
二：多项式回归
语法
>lm(weght~height+I(heght^2)+I(height^3)，data=women) 拟合回归模型 formula格式为Y~X1+X2,,,,,+XK ~的左侧是响应变量，右侧为各个预测变量
实战：案例，同样如上案例
由以上代码获得如图的“身高预测体重的散点图以及回归线”
通过输出结果，可以得到预测等式：
weight=261.88-7.35*heght+0.083*heght^2
R平方根表明模型可以解释体重99.9%的方差。
二次项提高了模型的拟合度。
以上是r回归实战分析~~关注“三只数据产品汪1”可深入沟通