R语言中predict()函数

曾经终败给现在 2022-09-07 06:24 1476阅读 1赞

**目录**

predict()的用法

函数形式

参数介绍

predict.glm()的用法

函数形式

参数介绍

输出介绍

实例

predict.lm()的用法

参数含义

实例

--------------------

# predict()的用法 #

## 函数形式 ##

predict (object, ...)

该函数是一个大类，其中还包含很多变体：

> \[1\] predict.ar\* predict.Arima\* predict.arima0\* predict.glm  
> \[5\] predict.HoltWinters\* predict.lm predict.loess\* predict.mlm\*  
> \[9\] predict.nls\* predict.poly\* predict.ppr\* predict.prcomp\*  
> \[13\] predict.princomp\* predict.smooth.spline\* predict.smooth.spline.fit\* predict.StructTS\*

**注意：**我们可以直接利用这些变体进行预测，也可以都利用predict()函数，除了参数不一样外，输出结果是一样的。

## 参数介绍 ##

*  object 一个模型对象
 *  ... 额外参数

# predict.glm()的用法 #

## 函数形式 ##

## S3 method for class 'glm'
    predict(object, newdata = NULL,
                type = c("link", "response", "terms"),
                se.fit = FALSE, dispersion = NULL, terms = NULL,
                na.action = na.pass, ...)

## 参数介绍 ##

*  object: 是一个从glm继承的模型对象
 *  newdata: 是一个数据框，如果缺失就用训练数据进行预测，也即拟合值
 *  type: 表示预测种类。默认是归一化的线性预测；responses是归一化的响应变量。因此对于一个二分类模型，默认是log-odds (logit归一化的概率)，然而type="response"给出的是预测概率。“terms”返回一个矩阵提供在线性预测下模型公式中每一项的拟合值。
 *  se.fit: 是一个bool值，表示标准误差是否需要。
 *  dispersion: GLM中用于计算标准化误差的离差。如果缺失，将会返回模型对象中的summary.
 *  terms: with `type = "terms"` by default all terms are returned. A character vector specifies which terms are to be returned.
 *  na.action: 表示如何对待newdata中的缺失数据，默认是将缺失值预测为NA.

## 输出介绍 ##

*  如果se.fit=FALSE, 返回一个预测值的向量或者矩阵。如果type='terms'，返回的是一个矩阵并且有个属性是“constant”.
 *  如果se.fit=TRUE, 返回一个list,其中的元素包含
    
     *  fit: 预测值，就如se.fit=FALSE
     *  se.fit: 估计的标准化误差
     *  residual.scale: 一个常数给出了用于计算标准化误差的散度的平方根。

## 实例 ##

require(graphics)
    
    ## example from Venables and Ripley (2002, pp. 190-2.)
    ldose <- rep(0:5, 2)
    numdead <- c(1, 4, 9, 13, 18, 20, 0, 2, 6, 10, 12, 16)
    sex <- factor(rep(c("M", "F"), c(6, 6)))
    SF <- cbind(numdead, numalive = 20-numdead)
    budworm.lg <- glm(SF ~ sex*ldose, family = binomial)
    summary(budworm.lg)
    
    plot(c(1,32), c(0,1), type = "n", xlab = "dose",
         ylab = "prob", log = "x")
    text(2^ldose, numdead/20, as.character(sex))
    ld <- seq(0, 5, 0.1)
    
    lines(2^ld, predict(budworm.lg, data.frame(ldose = ld,sex = factor(rep("M", length(ld)),         levels = levels(sex))),type = "response"))
    
    lines(2^ld, predict(budworm.lg, data.frame(ldose = ld, sex = factor(rep("F", length(ld)), levels = levels(sex))), type = "response"))
    
    lines(2^ld, predict.glm(budworm.lg, data.frame(ldose = ld,sex = factor(rep("M", length(ld)), levels = levels(sex))),type = "response"),col='red')

# ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzE4MDU1MTY3_size_16_color_FFFFFF_t_70][] #

注意将**predict()**换成**predict.glm()**结果一样

# **predict.lm()的用法** #

## S3 method for class 'lm'
    predict(object, newdata, se.fit = FALSE, scale = NULL, df = Inf,
            interval = c("none", "confidence", "prediction"),
            level = 0.95, type = c("response", "terms"),
            terms = NULL, na.action = na.pass,
            pred.var = res.var/weights, weights = 1, ...)

## 参数含义 ##

*  object: 这里是lm的对象或者继承类
 *  interval: 是置信区间的类型。
 *  level: Tolerance/confidence level.
 *  pred.var: 未来观测值的方差。
 *  weights: 用于预测的方差权重，这可是一个数值向量或者单边模型公式。如果是后者，它可以解析为基于newdata的一个运算。

## 实例 ##

require(graphics)
    
    ## Predictions
    x <- rnorm(15)
    y <- x + rnorm(15)
    predict(lm(y ~ x))
    new <- data.frame(x = seq(-3, 3, 0.5))
    predict(lm(y ~ x), new, se.fit = TRUE)
    pred.w.plim <- predict(lm(y ~ x), new, interval = "prediction")
    pred.w.clim <- predict(lm(y ~ x), new, interval = "confidence")
    matplot(new$x, cbind(pred.w.clim, pred.w.plim[,-1]),
            lty = c(1,2,2,3,3), type = "l", ylab = "predicted y")
    
    ## Prediction intervals, special cases
    ##  The first three of these throw warnings
    w <- 1 + x^2
    fit <- lm(y ~ x)
    wfit <- lm(y ~ x, weights = w)
    predict(fit, interval = "prediction")
    predict(wfit, interval = "prediction")
    predict(wfit, new, interval = "prediction")
    predict(wfit, new, interval = "prediction", weights = (new$x)^2)
    predict(wfit, new, interval = "prediction", weights = ~x^2)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzE4MDU1MTY3_size_16_color_FFFFFF_t_70 1][]

将**predict()**换成**predict.lm()**结果一样

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzE4MDU1MTY3_size_16_color_FFFFFF_t_70]: /images/20220829/a33e809f6c1a4b80bd6b3b43f8718eeb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzE4MDU1MTY3_size_16_color_FFFFFF_t_70 1]: /images/20220829/cf70b2e46119460e8a06b52585700b3e.png