具有离散依赖和连续自变量的多元线性回归建模

Question

关于建模的知识非常有限，我试图用独立的连续变量PARAM_*制作模型来描述每个离散的依赖Grp_*。

目标是将这些模型与新数据进行比较以对其进行分类。

> my_training_df
 GRPS PARAM_1   PARAM_2   PARAM_3   PARAM_4
Grp_A    2.20     -2.17      4.53     -0.39
Grp_A    0.30      3.29      3.98      3.38
Grp_A   -2.33     -0.43      3.45      1.64
Grp_A    4.59     -1.92      0.83     -0.87
Grp_B   -2.85      1.52      1.61     -0.28
Grp_B   -0.31      2.47     -2.23     -2.47
Grp_B    4.03      0.49     -2.16     -0.42
Grp_C    0.50      2.04      1.03      1.33
Grp_C    1.80      4.40      2.20      2.12
Grp_C    4.19      4.55      0.12     -2.91
Grp_C    3.69     -1.88      1.56      2.73
Grp_C   -1.02      3.37      4.95      2.96

我计划使用多元线性回归方法（它似乎是最容易开始的），但可以创建虚拟变量以将因变量转换为连续变量。

我不知道该模型如何运作：

GRPS = a + b1*PARAM_1 + b2*PARAM_2 + b3*PARAM_3 + b4*PARAM_4 

我应该使用哪种方法（可能使用R）？

Answer 1

Logistic回归是我猜的答案。 但是，如何选择如何将数据框分成训练和测试集（来自定性和定量POV）？