R 语言是为数学研究工作者设计的一种数学编程语言，主要用于统计分析、绘图、数据挖掘。 机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

还是线性回归

项目实操——线性回归（二）

线性拟合常用函数：

使用predict()函数可以用拟合模型对新的数据集进行预测

直接使用plot()函数可以对拟合结果进行绘图：

plot(fit)

会生成四幅图：残差拟合图、正态分布qq图、大小位置图以及残差影响图

Abline()函数可以绘制出拟合曲线，但这个命令属于低级绘图命令，必须在高级绘图的基础上完成，我们先绘制身高与体重的散点图：

plot(women$height,women$weight)
> abline(fit)

最小二乘法的原理就是找到一条直线（拟合直线），使残差平方和最小

一般拟合曲线很少是直线，大部分都是曲线，也就是多项式的回归

还是women这个数据集，我们用多项式回归试一下：

先定义一个fit2变量

将体重作为因变量，身高与身高的平方作为自变量

fit2 <- lm(weight ~ height+I(height^2),data = women)

可以对比两次回归的曲线差异

plot(women$height,women$weight)
abline(fit)

这次使用lines()函数，这个函数能把点连成线，横坐标是身高数据，纵坐标是根据拟合模型的得出的预测值，为了增加比较的差异性，我们给第二个曲线增加颜色：

lines(women$height,fitted(fit2),col="red")

对比很明显，带有二次项的回归模型能够更好的拟合数据，使得更多的点落在曲线上

那么，三次项的回归模型效果是不是更好呢？我们再来拟合一下

fit3 <- lm(weight ~ height+I(height^2)+I(height^3),data=women)
plot(women$height,women$weight)
abline(fit)
> lines(women$height,fitted(fit2),col="red")
> lines(women$height,fitted(fit3),col="blue")

拟合结果如图：

结果表明，继续增加多项式可以提高拟合度，但是其实没有必要，因为用于拟合的数据集，只是用于建模的数据集，不一定适合真实的数据，过多的拟合也是纸上谈兵。