線性模型
擬合模型
用lm()函式擬合模型。
lm(formula = y ~ x1+x2+x3+...+xn,data)
formula：y是響應變數，x是**變數。
i()。
獲取模型資訊
（1）首選用print()檢視模型資訊的首選方法。
（2）利用formula(x)函式顯示擬合模型的公式。
（3）利用coef(x)函式顯示模型物件係數的列表。
（4）利用summary(x)函式彙總線性模型的資訊。
使用模型進行**
（1）使用residuals(x)函式獲得殘差向量。殘差是實際值與**值的差。
（2）使用fitted(x)函式獲取擬合模型的**值。
（3）想用建立的擬合模型對新的資料集進行擬合，可以用predict()函式。
predict(object,newdata,na.action = na.pass)
object：擬合模型
newdata：用來**的新資料來源
na.action：表示如何處理newdata中的na值。
confint()函式
conflint(object,parm,level = 0.95)
object ：擬合的線性模型
parm：指定需要顯示的變數。預設顯示所有變數的置信區間。
level：指定置信水平。
influence.measures(model)（3）獲取方差分析的統計量：anova.lmlist
anova.lmlist(object,scale = 0,test = 'f')
scale：缺省會從檢驗資料中計算乙個估計值
test：預設進行f檢驗；指定'chisq'進行卡方檢驗；指定'cp'的cp檢驗。
vcov(object)（5）獲取你和模型的離差（殘差平方總和）：deviance(object)更新模型使用update()函式來更新模型。
update(object,formula = +0)
object：原擬合模型。
formula：公式中新增0作為變數表示不包含截距項。
1.方差齊性
定義：誤差項的平方是常數值。
檢驗：進行ncvtest函式來檢驗異方差性ncv.test(object)
2.非自相關性
3.誤差項服從正態分佈
4.x的外生性
定義：對於所有x來說，誤差線的期望值為0.
5.滿秩
定義：任何一對**變數之間都沒有線性關係。
檢驗：在lm函式中設定引數singular.ok = false
穩健回歸和線性回歸
穩健回歸
適用：存在異方差和異常值的資料。
方法：mass包的rlm()函式
rlm(formula,data,method)方法：mass包的lqs()函式
lqs(formula,data,method)變數的逐步選取
反覆對模型新增和移除變數，試圖逐步改善模型。當到頭時會自動停止並返回乙個新的模型。在這個過程中降低了rss增加了模型的複雜度。aic被從來度量新增的變數效果。aic = -2 * log(l) + k * edf
優先考慮的模型應是aic值最小的那乙個
step(object,scale = 0,direction,steps = 1000,k = 2)
direction：指定'forward'意味變數僅僅被新增到模型；指定 'backward'意味變數僅僅從模型中移除；指定'both'意味著兩者皆有。
steps：在函式中之前的最大迭代步。
使用mass包中的lm.ridge()函式
lm.ridge(formula,data)lars包中的lars()函式
lars(x,y,type = "lasso")
x：**變數矩陣
y：響應變數的向量
第20回 測試風險的管理
2006年10月26日 12 39 00 測試風險是不可避免的 總是存在的，所以對測試風險的管理非常重要，必須盡力降低測試中所存在的風險，最大程度地保證質量和滿足客戶的需求。在測試工作中，主要的風險有 質量需求或產品的特性理解不準確，造成測試範圍分析的誤差，結果某些地方始終測試不到或驗證的標準不對 ...
2005 10 20回到武漢20天小結
回到武漢的已經是20天了，但是，我每天還是沒有做到看 寫 除了是四處參加一些大公司的宣講會，還有就是看一些低階趣味的文章，灌水發帖子，沒有紮實的練習基本功，以前的同事說，他的那個公司專案經理打算招人，讓我過去看看，但是我自己的底子自己清楚，推說自己要搞 其實 這幾天加班加點已經寫好了，就是沒有和導師...
7 8 回形針，yyds！ 20分
輸入格式 一行字串，長度不超過104 輸出格式 將輸入的字串以螺旋狀輸出，使得輸出呈現乙個正方形 行數 每行字元數 要求該正方形在大小足以容納該字串的前提下盡可能小。若按指定方式填充後該正方形內有空缺，則空缺部分以空格填補。輸出從左上角開始向右行進，遇到拐角即右轉 輸入樣例 this is a te...