plotting a curvilinear line of best fit
在图表上绘制最佳拟合曲线的正确方法是什么？我试图提供一个回归模型作为线的参数 - 而不是特定点。在下面的模型中，正确的线应该是完美的拟合(因为数据中没有噪音)。如何从线性模型中绘制最佳拟合线？
1
2
3
4
5
6
| library(lattice)
vals<-data.frame(x=1:10,y=(1:10)^2)
xyplot(x~y,data=vals)
line(lm(x~y,data=vals)) #doesnt work
abline(vals$x,vals$y) #doesnt work |
- 您在绘图或最佳拟合曲线方面需要帮助吗？
-
画线....由于某种原因，我尝试的语法不起作用(我发誓我在询问之前阅读了文档！)
-
您使用的是 ggplot2 还是其他库？
-
我刚刚意识到您正在使用 lattice 。
-
抱歉，我已将其添加为图书馆
-
我想了很多，并将其纳入我的答案。
要使用 lattice 库获得回归，您需要在 xyplot 函数中包含类型参数。要获得线性回归，请使用 "r"，要获得非线性回归(这就是您想要的)，请使用 "smooth"。所以这就是你的代码应该是这样的
1
2
3
| library(lattice)
vals<-data.frame(x=1:10,y=(1:10)^2)
xyplot(x~y,data=vals,type=c("p","smooth")) |
"p" 用于点，"smooth" 用于平滑回归。这将产生一个看起来像这样的图表
1
2
3
| library(lattice)
vals<-data.frame(x=1:10,y=(1:10)^2)
xyplot(x~y,data=vals,type=c("p","r")) |
你的图表看起来像这样
- 如果我使用 smooth 作为参数，它不适合线性模型的确切线，对吗？它适合黄土版本。有没有办法直接指定型号？例如，如果我想在点上拟合一条荒谬的线
-
除了内置的 smooth 和 r，您最好的选择是看这里。
我认为您可能正在颠倒公式中参数的顺序，因为 y 与 x 的常规图将从 xyplot( y ~ x ) 返回。但是如果你真的想要一个二次多项式拟合的线性回归，那么使用公式中的 poly 函数和 predict 函数来获得拟合值：
1
2
| xyplot(x~y,data=vals)
plot(vals$y, predict( lm(x~poly(y, 2), data=vals)) ) |
这不是一个精确的拟合，因为您正在绘制 x 对 x 的平方根。
1
2
3
4
5
6
| resid( lm(x~poly(y, 2),data=vals))
#------------------------------
1 2 3 4 5 6 7
-0.57799840 -0.01438720 0.28444720 0.35772841 0.26036947 0.06297286 -0.14816950
8 9 10
-0.27107622 -0.18807651 0.23418989 |
另一种方法(确实给出了精确的拟合)是在公式中使用 I 函数：
1
2
3
| plot(vals$y, fitted( lm(x~I(y^(1/2) ), data=vals)) )
points(vals, pch="x", col='red')
points(vals$y, vals$x, pch="x", col='red') |
