首先明确你需要完成的核心计算任务 #

根据你的描述和给定数据集，你需要搞定这几件事：

• 用现有3组数据，建立狗狗数量和每只狗抢食量的线性回归模型
• 用模型估算10只狗和15只狗时，每只狗的抢食量
• 写一个可复用函数，输入任意狗狗数量的向量x，就能输出对应的抢食量估计值向量
• 完成可视化：用o点展示实际观测值，用+点展示模型的估计值，同时画出拟合的回归线

修正后的完整代码 #

# 构建数据集矩阵（保留你原来的数据定义）
rownames = c("1","2","3")
colnames = c("Number of dogs in a room", "Amount of food each dog can grab")
v <- matrix(c(8,12,20,15,10,2), nrow = 3, byrow=TRUE, dimnames = list(rownames,colnames))
print(v)

# 提取自变量（狗狗数量）和因变量（抢食量）向量
x <- c(8,20,10)
y <- c(12,15,2)

# 构建线性回归模型
lmout <- lm(y ~ x)
# 提取模型的截距和斜率（按提示的方式）
intercept <- lmout$coefficients[[1]]
slope <- lmout$coefficients[[2]]
cat("回归模型参数：截距 =", round(intercept,2), "，斜率 =", round(slope,2), "\n")

# 任务1：计算10只和15只狗时的估计值
pred_10 <- intercept + slope * 10
pred_15 <- intercept + slope * 15
cat("10只狗时每只狗抢食量估计值：", round(pred_10,2), "\n")
cat("15只狗时每只狗抢食量估计值：", round(pred_15,2), "\n")

# 任务2：编写计算估计值的函数
predict_food <- function(lm_model, x_vec){
  # 从训练好的模型中提取截距和斜率
  b0 <- lm_model$coefficients[[1]]
  b1 <- lm_model$coefficients[[2]]
  # 用线性回归公式计算预测值
  y_hat <- b0 + b1 * x_vec
  return(y_hat)
}

# 测试函数：计算现有x的估计值，以及10、15的估计值
all_preds <- predict_food(lmout, c(x, 10, 15))
cat("所有测试输入的估计值：", round(all_preds,2), "\n")

# 任务3：可视化实际值、估计值和回归线
# 先画实际值（用o点，对应pch=1）
plot(x, y, pch = 1, col = "black", 
     xlab = "房间内狗狗数量", ylab = "每只狗抢食量",
     main = "狗狗数量与抢食量的线性回归")
# 画估计值（用+点，对应pch=3）
y_hat <- predict_food(lmout, x)
points(x, y_hat, pch = 3, col = "red")
# 画回归线
abline(lmout, lty = "solid", col = "royalblue", lwd = 2)
# 添加图例让图更清晰
legend("topright", legend = c("实际值", "估计值", "回归线"),
       pch = c(1,3,NA), lty = c(NA,NA,"solid"),
       col = c("black","red","royalblue"))

代码修正的关键说明 #

1. 原函数的问题：你之前写的func函数里错误地用lm(intercept, constant)重新拟合模型，完全没必要——我们已经有了训练好的lmout模型，直接用它的截距和斜率计算预测值就够了。
2. 核心预测逻辑：线性回归的预测公式就是y_hat = 截距 + 斜率 * x，函数里直接实现这个逻辑就行。
3. 可视化要求：严格按照要求用o（pch=1）和+（pch=3）分别展示实际值和估计值，加个图例能让图表更易懂。
4. 参数提取简化：lmout$coefficients[[1]]直接就能拿到截距，比你原来写的lmout[1]$coefficients[[1]]更简洁规范。

内容的提问来源于stack exchange，提问作者Pat8