我想知道如何在ggplot上添加回归线方程和R^2。 我的代码是： library(ggplot2) df <- data.frame(x = c(1:100)) df$y <- 2 + 3 * df$x + rnorm(100, sd = 40) p <- ggplot...

当我们需要预测一个分类（或离散）结果时，我们使用逻辑回归。我相信我们也使用线性回归来预测给定输入值的结果值。 那么，这两种方法的区别是什么？

我有一组数据，想要比较哪条线最能够描述它（不同阶数的多项式、指数或对数函数）。 我使用Python和Numpy，对于多项式拟合，有一个名为polyfit()的函数。但是我没有找到指数和对数函数的拟合函数。 是否有这样的函数？否则该如何解决？

我正在努力在ggplot上添加一个回归线。 我先尝试使用abline，但无法使其正常工作。 然后我尝试了这个...data = data.frame(x.plot=rep(seq(1,5),10),y.plot=rnorm(50)) ggplot(data,aes(x.plot,y.plot)...

如何在回归中使用二元解释变量时，告诉 R 使用特定的水平作为参考值？ R 默认会使用某个水平作为参考值。 lm(x ~ y + as.factor(b)) 使用b {0, 1, 2, 3, 4}。假设我想要使用3代替R中使用的零。

我很难找到能做多元回归的Python库，我所找到的只能进行简单回归。我需要用几个自变量（x1，x2，x3等）回归我的因变量（y）。 例如，使用以下数据： print 'y x1 x2 x3 x4 x5 x6 x7...

我想使用lm()函数在R中进行线性回归。我的数据是一个年度时间序列，其中一列是年份（22年），另一列是州名（50个州）。我希望为每个州都拟合一个回归模型，以便最终得到一个lm响应向量。我可以想象为每个州使用for循环，然后在循环内部进行回归，并将每个回归的结果添加到一个向量中。但这似乎不太像R...

我想在我生成的散点图上生成线性回归，但我的数据是以列表格式存储的，我找到的所有使用polyfit的例子都需要使用arange。然而，arange不接受列表。我搜遍了关于如何将一个列表转换为数组的所有内容，但没有找到清晰明了的方法。我错过了什么吗？ 接下来，我该如何最好地将整数列表作为poly...

我正在使用scikit-learn的linear_model.LinearRegression作为预测模型。它运行良好，非常完美。但是当我尝试使用accuracy_score评估预测结果时出现问题。 以下是我的真实数据： array([1, 1, 0, 0, 0, 0, 1, 1, 0, ...

我有两个数据向量，并将它们放入pyplot.scatter()中。现在我想要在这些数据上面画一个线性拟合。我该怎么做？我尝试使用scikitlearn和np.polyfit()。