Zadania7, Tallib, R, rer1
[ Pobierz całość w formacie PDF ]
zadania 7 z wikampaDla danych zapisanych w pliku raty.csv:1. Utworzyć liniowe modele regresji opisujšce zależnoć wydatku od dochodów klientaz uwzględnieniem decyzji o zakupie ratalnym:--przyjmujšc, że linie regresji, dla różnych decyzji o ratach, sš równoległe--nie przyjmujšc powyższego założenia(Dla obu modeli narysować wykresy linii regresji (oraz punktów danych)raty=read.csv2("Raty.csv")attach(raty)plot(Dochody, Wydatek, pch=c(4,16)[Raty], col=c("red","green")[Raty], lwd=2)points(Dochody[Raty=="T"], Wydatek[Raty=="T"])points(Dochody[Raty=="T"], Wydatek[Raty=="T"])points(Dochody[Raty=="T"], Wydatek[Raty=="T"])#regresja 1reg1=lm(Wydatek~Dochody+Raty)summary(reg1)ndane=data.frame(Dochody=c(min(Dochody),max(Dochody)), Raty=c("N","N"))lines(ndane$Dochody, predict(reg1,ndane), lwd=2, col="red2")ndane$Raty=c("T","T")lines(ndane$Dochody, predict(reg1,ndane), lwd=2, col="green2")#regresja2 - bez uwzględniania Ratreg2=lm(Wydatek~Dochody)lines(ndane$Dochody, predict(reg2,ndane),lwd=2)#regresja3 - różne modele zależnoci od decyzji o ratachreg3N=lm(Wydatek[Raty=="N"]~Dochody[Raty=="N"])summary(reg3N)reg3T=lm(Wydatek[Raty=="T"]~Dochody[Raty=="T"])summary(reg3T)#wykresplot(Dochody,Wydatek,pch=c(4,16)[Raty],lwd=2,col=c("green", "red"))points(Dochody[Raty=="T"],Wydatek[Raty=="T"])ndane$Raty=c("N","N")lines(ndane$Dochody, predict(reg3N, ndane),lwd=2, col="red2")ndane$Raty=c("T","T")lines(ndane$Dochody, predict(reg3T, ndane),lwd=2, col="red2")################### ok (bez równoległoci) ############################2. Utworzyć (i narysować wykres) model regresji liniowej opisujšcy zależnoć wydatkuod (równoczenie) dochodów i wieku klientaraty=read.csv2("Raty.csv")attach(raty)reg=lm(Wydatek~Dochody+Wiek)summary(reg)doch=seq(1007,4072, by=50)wiek2=seq(21,60, by=5)funkc=function(x,y) reg$coef[1]+x*reg$coef[2]+y*reg$coef[3]wyd=outer(doch,wiek2,funkc)wykres=persp(x=doch, y=wiek2, z=wyd, xlab="Dochody", ylab="Wiek", zlab="Wydatek", ticktype="detailed")wykres = persp(x=doch, y=wiek2, z=wyd, xlab="Dochody", ylab="Wiek", zlab="Wydatek", ticktype="detailed", theta = 35, phi = 25,cex.axis = 0.7)points(trans3d(Dochody, Wiek, Wydatek, wykres), col="red", lwd = 2, pch = 20)segments(trans3d(Dochody, Wiek, Wydatek, wykres)$x,trans3d(Dochody, Wiek, Wydatek, wykres)$y,trans3d(Dochody, Wiek, predict(reg), wykres)$x,trans3d(Dochody, Wiek, predict(reg), wykres)$y)detach(dane)############################# ok ##############################3. Utworzyć (i narysować wykres) model regresji opisujšcy decyzję o zakupie na ratyw zależnoci od wieku klienta.### regresja logitowa (logistyczna) ####regresja logistyczna - dane Raty.csvraty = read.csv2("Raty.csv")attach(raty)#dla wygody (wykresy) przekształćmy zmiennš Raty na wartoci 0 i 1.(raty01 = c(Raty) - 1)#regresja logistyczna - od wiekuregl1 = glm(raty01 ~ Wiek, family = "binomial")summary(regl1)plot(Wiek, raty01)#wykres linii regresjix = seq(min(Wiek), max(Wiek), length = 300)ndane = data.frame(Wiek = x)lines(x, 1/(1+exp(-predict(regl1, ndane))), lwd = 2, col = "red")#alternatywniey = 1/(1 + exp(-regl1$coef[1] - regl1$coef[2] * x))lines(x, y, col = "black")detach(raty)################### ok #############################4. Dla danych z pliku test_regresji.csv dopasować krzywš obrazujšcš zależnoć y od xpoprzez model regresji (parametrycznej) wielomianem stopnia 2. Narysować wykres.test = read.csv2("test_regresji.csv")attach(test)reg=nls(y~a*x^2+b*x+c, start=list(a=0, b=0, c=0))plot(x,y)summary(reg)ndane=data.frame(x=seq(min(x),max(x), length=300))lines(ndane$x, predict(reg,ndane), lwd=2, col="green")detach(test)############################ ok ###########################################5. Dla powyższych danych dopasować krzywš metodš regresji lokalnie wielomianowej,z użyciem domylnych opcji, a następnie zaobserwować wpływ parametrów sterujšcych(span i degree) na sposób dopasowania. Narysować odpowiednie wykresy.test = read.csv2("test_regresji.csv")attach(test)#regresja lokalnie wielomianowareg = loess(y~x)summary(reg)plot(x, y)ndane = data.frame(x = seq(min(x), max(x), length = 300))lines(ndane$x, predict(reg, ndane), lwd = 2, col = "green")lines(ndane$x, predict(loess(y~x, span = 0.6, degree = 1), ndane), lwd = 2, col = "blue")lines(ndane$x, predict(loess(y~x, span = 0.4, degree = 2), ndane), lwd = 2, col = "red")###################### ok ####################################6. Dla tych samych danych dopasować krzywš metodš gładkich funkcji sklejanychz użyciem domylnych opcji. Następnie zaobserwować wpływ parametru spar na sposób dopasowania.Narysować odpowiednie wykresy.(test = read.csv2("test_regresji.csv"))attach(test)(reg = loess(y~x))(ndane = data.frame(x = seq(min(x), max(x), length = 150)))print(reg)(reg2 = smooth.spline(x, y))print(reg2)#wykresplot(x, y)lines(predict(reg, xx = seq(min(x), max(x), length = 150)), lwd = 2, col = "red")lines(ndane$x, predict(reg, ndane), lwd = 2, col = "green")#odp. R^2(1-sum((y-predict(reg2, xx = x)$yy)^2)/sum((y-mean(y))^2))#to jeszcze dwie linie (parametr spar)#spar = 0 => lambda (prawie) równa 0(reg3 = smooth.spline(x, y, spar = 0))(lines(predict(reg3, xx = seq(min(x), max(x), length = 150)), lwd = 2, col = "blue"))print(reg3)#spar 1 => lambda duża(reg4 = smooth.spline(x, y, spar = 1))lines(predict(reg4, xx = seq(min(x), max(x), length = 150)), lwd = 2, col = "brown")#praktycznie to samo, co regresja liniowaprint(reg4)detach(test)####### prawie ############### [ Pobierz całość w formacie PDF ]