如何找到合适的模型来拟合 r 中当前数据的非线性曲线答案

【问题标题】：How to find appropriate model to fit the non linear curve of current data in r如何找到合适的模型来拟合 r 中当前数据的非线性曲线
【发布时间】：2019-11-26 03:03:06
【问题描述】：

我有一个数据集：Reg

dist     ED
75  4.9
150 7.6
225 8.9
300 8.8
375 8.1
450 7.3
525 6.5
600 5.8

我想找到一个合适的非线性回归模型。我试过了：

plot(Reg$ED, Reg$dist)
lines(lowess(Reg$ED,Reg$dist))
m1 <- lm(ED ~poly(dist,2,raw=TRUE),data=Reg)
m2 <- lm(ED~dec+I(dist^2),data=Reg)
summary(m1)
summary(m2)
lines(Reg$PVFD_Mean, predict(m2), col=2)

但我不知道为什么图中没有显示回归模型的线条。所以我不知道如何为我的数据找到最合适的模型。我也试过fitModel，但也没有用。

非常感谢任何帮助。

非常感谢

【问题讨论】：

标签： r regression curve-fitting non-linear-regression

【解决方案1】：

我的方程搜索显示非常适合三参数逆哈里斯屈服密度方程“y = x / (a + b * pow(x, c))”，参数 a = 1.4956613575678071E+01, b = 7.8559465184281589E-05，c = 2.1768293119284090E+00 给出 RMSE = 0.1002 和 R 平方 = 0.9943

【讨论】：

既然你问了，我的开源在线曲线和曲面拟合网站 zunzun.com 在zunzun.com/FunctionFinder__Z___/2 有一个用于方程搜索的“函数查找器”——我粘贴了你的数据并设置了“平滑度控制” " 到 3（最多 3 个参数）然后点击提交按钮。

【解决方案2】：

这是一个使用loess 函数来构建非线性模型的选项：

dt = read.table(text = "dist     ED
75  4.9
150 7.6
225 8.9
300 8.8
375 8.1
450 7.3
525 6.5
600 5.8", header=T)

# build the model
m = loess(ED ~ dist, data = dt)

# see model summary
summary(m)

# Call:
#   loess(formula = ED ~ dist, data = dt)
# 
# Number of Observations: 8 
# Equivalent Number of Parameters: 4.41 
# Residual Standard Error: 0.06949 
# Trace of smoother matrix: 4.87  (exact)
# 
# Control settings:
# span     :  0.75 
# degree   :  2 
# family   :  gaussian
# surface  :  interpolate     cell = 0.2
# normalize:  TRUE
# parametric:  FALSE
# drop.square:  FALSE 

# plot points and model fit
plot(dt$dist, dt$ED)
lines(dt$dist, m$fitted, col=2)

如果您出于某种原因确实想使用lowess 函数，您可以执行以下操作：

plot(dt$dist, dt$ED)
lines(lowess(dt$dist, dt$ED), col = "blue")
lines(lowess(dt$dist, dt$ED, f = 0.5), col = "green")
lines(lowess(dt$dist, dt$ED, f = 0.3), col = "red")

这将为您提供相同的绘图，但您必须为平滑参数 f 选择一个较小的值：

这两种方法的区别只是loess 有一个平滑参数，默认值很好（span = 0.75），但lowess 有一个平滑参数，在你的情况下默认值不够好（@ 987654334@).

【讨论】：

我设法制作了拟合线。但是你知道如何解释这两个变量的方程吗？
Loess 方法不会产生可以用数学公式表示的回归函数，因为回归是“局部的”（即该方程取决于您关注的数据点）。更多信息：stats.stackexchange.com/questions/264231/…
如果你真的想要一个等式，最好使用ED ~ poly(dist, n, raw=TRUE) 来获取n 的不同值，并保留最适合的那个。

【解决方案3】：

在问题中，dist 和 ED 的值有时会互换。

m1 <- lm(ED ~ poly(dist, 2, raw = TRUE), data = Reg)
summary(m1)

plot(Reg$dist, Reg$ED)
lines(lowess(Reg$dist, Reg$ED))
lines(Reg$dist, predict(m1), col = 2)

【讨论】：