我已经阅读了该问题的答案,它们非常有帮助,但是我特别需要R中的帮助。
我在R中有一个示例数据集,如下所示:
x <- c(32,64,96,118,126,144,152.5,158)
y <- c(99.5,104.8,108.5,100,86,64,35.3,15)
我想对这些数据拟合模型,以便y = f(x)
。我希望它是一个三阶多项式模型。
如何在R中做到这一点?
另外,R可以帮助我找到最佳的拟合模型吗?
我已经阅读了该问题的答案,它们非常有帮助,但是我特别需要R中的帮助。
我在R中有一个示例数据集,如下所示:
x <- c(32,64,96,118,126,144,152.5,158)
y <- c(99.5,104.8,108.5,100,86,64,35.3,15)
我想对这些数据拟合模型,以便y = f(x)
。我希望它是一个三阶多项式模型。
如何在R中做到这一点?
另外,R可以帮助我找到最佳的拟合模型吗?
Answers:
要获得x(x ^ 3)中的三阶多项式,您可以执行
lm(y ~ x + I(x^2) + I(x^3))
要么
lm(y ~ poly(x, 3, raw=TRUE))
您可以拟合10阶多项式并获得接近完美的拟合,但是您应该吗?
编辑:poly(x,3)可能是一个更好的选择(请参见下面的@hadley)。
raw = T
?最好使用不相关的变量。
lm(y ~ x + I(x^2) + I(x^3))
。也许不是最优的,只是在同一目的上给出两种手段。
哪种模型是“最佳拟合模型”取决于“最佳”的含义。R有提供帮助的工具,但是您需要提供“最佳”的定义,以便在它们之间进行选择。考虑以下示例数据和代码:
x <- 1:10
y <- x + c(-0.5,0.5)
plot(x,y, xlim=c(0,11), ylim=c(-1,12))
fit1 <- lm( y~offset(x) -1 )
fit2 <- lm( y~x )
fit3 <- lm( y~poly(x,3) )
fit4 <- lm( y~poly(x,9) )
library(splines)
fit5 <- lm( y~ns(x, 3) )
fit6 <- lm( y~ns(x, 9) )
fit7 <- lm( y ~ x + cos(x*pi) )
xx <- seq(0,11, length.out=250)
lines(xx, predict(fit1, data.frame(x=xx)), col='blue')
lines(xx, predict(fit2, data.frame(x=xx)), col='green')
lines(xx, predict(fit3, data.frame(x=xx)), col='red')
lines(xx, predict(fit4, data.frame(x=xx)), col='purple')
lines(xx, predict(fit5, data.frame(x=xx)), col='orange')
lines(xx, predict(fit6, data.frame(x=xx)), col='grey')
lines(xx, predict(fit7, data.frame(x=xx)), col='black')
哪种模式最好?可以为其中任何一个参数(但我不想为紫色插值)。
关于“ R是否可以帮助我找到最佳拟合模型”问题,假设您可以陈述要测试的模型集,那么可能会有一个函数可以执行此操作,但这对于n-1的集合而言将是一个很好的第一种方法度多项式:
polyfit <- function(i) x <- AIC(lm(y~poly(x,i)))
as.integer(optimize(polyfit,interval = c(1,length(x)-1))$minimum)
笔记
这种方法的有效性将取决于你的目标,假设optimize()
和AIC()
如果AIC的是,你要使用的标准,
polyfit()
可能没有一个最小值。用类似的东西检查:
for (i in 2:length(x)-1) print(polyfit(i))
as.integer()
之所以使用该函数,是因为我不清楚如何解释一个非整数多项式。
更新资料
另请参见stepAIC
功能(在MASS软件包中)以自动进行模型选择。
在R中找到最佳拟合的最简单方法是将模型编码为:
lm.1 <- lm(y ~ x + I(x^2) + I(x^3) + I(x^4) + ...)
使用逐步AIC回归后
lm.s <- step(lm.1)
I(x^2)
等不会给出合适的正交多项式进行拟合。