Проста лінійна регресія
Опис ситуації:
У вас є набір даних, який містить інформацію про кількість годин навчання студентів перед іспитом (X) та їх підсумковий бал (Y).
| Години навчання (X) |
Підсумковий бал (Y) |
| 1 |
50 |
| 2 |
55 |
| 3 |
65 |
| 4 |
70 |
| 5 |
75 |
| 6 |
80 |
-
Побудуйте модель простої лінійної регресії, де:
- X: кількість годин навчання.
- Y: підсумковий бал.
-
Знайдіть рівняння регресії.
-
Використовуючи отримане рівняння, спрогнозуйте підсумковий бал студента, який навчався 7 годин (функція “forecast”).
-
Оцініть якість моделі за допомогою коефіцієнта детермінації
-
Побудуйте графік, на якому зобразіть дані (точки) та регресійну пряму.
Висновок:
- Чи пояснює регресійна модель залежність між годинами навчання та підсумковими балами?
- Що може вплинути на точність прогнозу?
Множинна лінійна регресія
Опис ситуації:
Вам надано дані про фактори, які впливають на прибуток магазинів:
| Реклама (X1) |
Кількість співробітників (X2) |
Прибуток (Y) |
| 10 |
2 |
50 |
| 15 |
3 |
65 |
| 20 |
4 |
75 |
| 25 |
5 |
85 |
| 30 |
6 |
95 |
| 35 |
7 |
110 |
- Побудуйте модель множинної лінійної регресії, де:
- Y: прибуток магазину.
- X1: витрати на рекламу (у тисячах).
- X2: кількість співробітників.
- Знайдіть рівняння регресії.
- Використовуючи модель, спрогнозуйте прибуток для магазину, який витратив 40 тисяч на рекламу і має 8 співробітників.