采用lm()绘制回归方程
x=c(1:10)
y=c(1,1.9,3.5,4.5,6.2,7.5,9.2,10.5,11.3,12.3)
plot(x,y)
model<-lm(y~x)
abline(model,lty=2)

summary(model)
Call:
lm(formula = y ~ x)

Residuals:
     Min       1Q   Median       3Q      Max
-0.43273 -0.22894  0.03061  0.13212  0.42909

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) -0.47333    0.20902  -2.265   0.0533 .  
x            1.32061    0.03369  39.202 1.97e-10 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.306 on 8 degrees of freedom
Multiple R-squared:  0.9948,    Adjusted R-squared:  0.9942
F-statistic:  1537 on 1 and 8 DF,  p-value: 1.971e-10

结果分析：
两个回归系数分别是-0.4733,和1.32061，p值1.971e-10，P值越小，回归效果越显著，并且后面星级越高。
y=1.32061x-0.4733

当模型通过检验，可用于预测，此时我们需要用到R中的predict()函数
假设我们要预测x=3.54时y的值
new <- data.frame(x = 3.16)
lm.pred <- predict(model,new,interval = "prediction",level = 0.95)
lm.pred
       fit      lwr    upr
1 3.699782 2.937763 4.4618


参数：
interval="prediction"表示求预测点的值的同时要给出相应的预测区间
level=0.95表示我们求95%的置信区间
结果：
fit值即为x=3.16时y的预测值，lwr和upr分别表示预测区间的上下限。

美化：
只需对plot()函数进行改动
plot(x,y,main="picture",xlab="year",ylab="weight",col="darkred",pch=3,cex=0.8)
models<-lm(y~x)
abline(models)

采用stat_smooth()函数绘制回归模型拟合曲线
mydata <- data.frame(x=c(1:10),y=c(1,1.9,3.5,4.5,6.2,7.5,9.2,10.5,11.3,12.3))
sp<-ggplot(mydata,aes(x,y))+geom_point()

回归模型拟合
默认95%置信区间：
sp+stat_smooth(method=lm)

99%置信区间：
sp+stat_smooth(method=lm,level=0.99)

无置信区间：
sp+stat_smooth(method=lm,se=FALSE)

美化
ggplot(mydata,aes(x,y))+geom_point(colour="darkred")+stat_smooth(method=lm,se=FALSE,colour="black")

+labs(title = "picture")+xlab("year")+ylab("weight")+theme(plot.title=element_text(hjust=0.5))