获取预测模型
因为海藻数量基本是数值型数据，所以考虑进行回归分析（多元线性回归模型），一个变量和一组解释变量的关系

 clean.algae <- knnImputation(algae,k = 10)

>lm.a1 <- lm(a1 ~ . ,data = clean.algae[,1:12])
#.的意思是求a1和其他所有的数据之间的线性关系；属性1+属性2的方法也行
> summary(lm.a1)
> #使用summary()查看结果

查看结果之后发现系统生成了几个辅助变量seasonspring
seasonsummer
seasonwinter
sizemedium
sizesmall等，这里以season举例说明，season一共有春夏秋冬四个取值，在生成辅助变量的时候回生成3（4-1)个辅助变量。size原本有大中小三种取值，同理，这里生成两个辅助变量。

• R-squared 是评价模型好坏的一个指标取值在c(0:1),越接近1越好。

精简回归模型

之前我们将左右的变量都与a1的变化进行了绑定分析，但这是不一定科学的，因为存在变量不与a1有明显的线性关系。

下面我们要去除一些相关性不大的变量，使用 向后消元法anova() 来精简回归模型（根据模型残差平方和的变化），平时说的 分差分析。

方差分析的基本思想：通过分析研究不同来源的变异对总变异的贡献大小，从而确定可控因素对研究结果影响力的大小。
方差分析主要用途：①均数差别的显著性检验，②分离各有关因素并估计其对总变异的作用，③分析因素间的交互作用，④方差齐性检验。

> anova(lm.a1)

Sum Sq表示模型与数据的紧密匹配

> anova(lm.a1,lm.a2)

可以看到去除掉变量season之后Sum of Sq（方差）已经减少了471.71，方差分析是一个逐步精化的过程，R语言也非常友好地提供了精化到最终结果的方法。

> final.lm <- step(lm.a1)
> #使用final.lm接受最后结果，step()可以看到每一步精化的过程