ОБОБЩЕННАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ НА ЯЗЫКЕ R Текст научной статьи по специальности «Математика»

УДК 659.1

Рыжкина Д.А. магистрант 2 курса кафедра «Бизнес-информатика» Уральский государственный экономический университет

Россия, г. Екатеринбург ОБОБЩЕННАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ НА ЯЗЫКЕ R.

Аннотация: в статье описывается построение линейной регрессионной модели на языке R в R-STUDIO.

Ключевые слова: Линейная регрессия, регрессионная модель, язык R, R-STUDIO.

Ryzhkina A.D., Graduate student 2 year, Department of Business Informatics Ural State University of Economics Russia, Yekaterinburg

REALIZATION OF THE REGRESSION MODEL OF PREDICTION

PRICES FOR 1 KV. M REAL ESTATE IN EKATERINBURG IN

LANGUAGE R.

The article describes the construction of a linear regression model in the language R in R-STUDIO.

Keywords: Linear regression, regression model, language R, R-STUDIO.

Регрессия заключается в построении функции независимых переменных (также называемых предикторами) для прогнозирования зависимой переменной (также называемой откликом). Например, банки оценивают риск претендентов на ипотечное кредитование на основании их возраста, доходов, расходов, профессий, количества иждивенцев, общего кредитного лимита и т. д.

Обобщенная линейная модель (GLM) обобщает линейную регрессию, позволяя линейной модели быть связанной с переменной отклика через функцию связи и позволяя величину отклонения каждого измерения быть функцией его предсказанного значения. Он объединяет различные другие статистические модели, включая линейную регрессию, логическую регрессию и регрессию Пуассона. Функция glm () используется для обобщения линейных моделей, определяемых путем предоставления символического описания линейного предсказателя и описания распределения ошибок.

Обобщенная линейная модель построена ниже с glm() по данным bodyfat.

> data("bodyfat", package-'mboost")

> myFormula <- DEXfat ~ age + waistcirc + hipcirc + elbowbreadth + kneebreadth

> bodyfat.glm <- glm(myFormula, family = gaussian("log"), data = bodyfat)

> summary(bodyfat.glm)

Call:

glm(formula = myFormula, family = gaussian("log"), data = bodyfat) Residuals:

Min 1Q Median 3Q Max

-11.5688 -3.0065 0.1266 2.8310 10.0966

Coefficients:

(Intercept) Age

waistcirc hipcirc elbowbreadth kneebreadth

Estimate Std. Error t value Pr(>|t|) 0.734293 0.308949 2.377 0.02042 * 0.002129 0.001446 1.473 0.14560 0.010489 0.002479 4.231 7.44e-05 *** 0.009702 0.003231 3.003 0.00379 ** 0.002355 0.045686 0.052 0.95905 0.063188 0.028193 2.241 0.02843 *

Signif. codes: 0 'S***^S 0.001 'S**^S 0.01 ' S*^S 0.05 ' S.VS 0.1 ' S ^S 1 Null deviance: 8536.0 on 70 degrees of freedom Residual deviance: 1320.4 on 65 degrees of freedom AIC: 423.02

Number of Fisher Scoring iterations: 5

> pred <- predict(bodyfat.glm, type="response")

В приведенном выше коде тип указывает тип требуемого прогноза. Значение по умолчанию находится на шкале линейных предикторов, а альтернативный «ответ» находится в масштабе переменной ответа.

> plot(bodyfat$DEXfat, pred, xlab="Observed Values", ylab="Predicted Values")

> abline(a=0, b=l)

Рисунок 1 - Прогнозирование с помощью обобщенной модели линейной регрессии

В приведенном выше коде, если используется family = gaussian («identity»), построенная модель будет похожа на линейную регрессию.

Можно также сделать его логистической регрессией, установив семейство в биномиальное («logit»).

Использованные источники:

1. [R] regression [Электронный ресурс]. - Режим доступа: http://charlieya.tistory.com/10 - (Дата обращения: 26.12.2017).

УДК:65

Селиванов С.Г., д.т.н.

профессор Селиванова М.В., к.т.н.

доцент Егорова Л. магистр УГАТУ Россия, г. Уфа

МЕТОДЫ И ЗАВИСИМОСТИ СТАТИСТИЧЕСКОГО АНАЛИЗА

МНОГОСТАНОЧНОГО ОБСЛУЖИВАНИЯ В ПРОЕКТАХ ЦИФРОВОГО МАШИНОСТРОИТЕЛЬНОГО ПРОИЗВОДСТВА

Аннотация

Определены статистические зависимости и методы проектирования систем многостаночного обслуживания в рамках АСТПП «бережливого производства», показаны пути решения этих задач в проектах цифрового производства, на участках станков с ЧПУ, мехатронных станков, модульных и многооперационных станков

Professor, Ph. D. Selivanov S. G. associate Professor, Ph. D., Selivanov M. V.

master Egorova L.

Ufa

METHODS AND BASED ON STATISTICAL ANALYSIS OF THE

MULTIPLE MACHINE MAINTENANCE PROJECTS DIGITAL ENGINEERING PRODUCTION

Abstract. Determined according to statistical and design methods systems multiple machine maintenance in the framework of Cam to lean manufacturing, the ways of solution of these tasks in the projects in digital manufacturing, in areas of CNC machine tools, mechatronic machines, modular machines and machining.

ВВЕДЕНИЕ

Актуальность. Согласно Указа Президента РФ от 01.12.2016 N 642 "О Стратегии научно-технологического развития Российской Федерации» ( п.20а. ) предусмотрен «Переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам, новым материалам и способам конструирования, создания систем обработки