Question

我是R的新手，并且一直试图将非线性模型拟合到某些数据中，但未成功。最后，我在Excel中添加了一个多项式趋势线，并试图绘制我得到的函数 - 由于某种原因，函数不适合我在R中的数据。我尝试了简单的geom_smooth，但实现了一个笨重的＆＃34;我想要一个顺利的。我在一个图中有6个样本，这里是其中一个的数据，包括Excel获得的函数和我绘制它的尝试。我确信有更好的方法 - 我还需要在输出中获得拟合的功能。

datax <- c(0, 21.3, 30, 46.3, 72)
datay <- c(0, 0.008723333, 0.016253333, 0.039896667, 0.079893333)
data <- data.frame(datax, datay)
x <- seq(0, 0.01, length.out = 72)
poly.fit <- function(x) 1E-5*x^2+0.0002*x
ggplot(data, aes(x=datax, y=datay)) +
  geom_point() +
  stat_function(fun=poly.fit)

Answer 1

那么，该功能并不完全适合数据。运行代码后，poly.fit(46.3)会返回0.0306969 <{1}}，而不是.03989

问题在于等式本身。如果您确实想要在R中创建一个完全匹配数据的函数，那么有一个名为polynomial interpolation的原则，如果您想要完美地拟合它，您需要与模型中的项一样多的点。因此，如果您想匹配积分，可以使用：

 m <- lm(datay ~ poly(datax,4))   # poly() fits the polynomial with 4+1 terms
 summary(m)                       # displays coefficients

获得系数后，您可以像以前一样重新创建函数，并且该线条应该完全匹配您的点（只要您符合足够的多项式项！）。

编辑：这是一个显示您想要的可重现代码的示例

library(ggplot2)
datax <- c(0, 21.3, 30, 46.3, 72)
datay <- c(0, 0.008723333, 0.016253333, 0.039896667, 0.079893333)
data <- data.frame(datax, datay)

# This is another approach to the fitting using I()
m <- lm(datay ~ datax + I(datax^2) + I(datax^3) + I(datax^4))

x <- seq(0, 72, by = .1)
poly.fit = function(x){       
    as.numeric(m$coefficients[1]) +
    as.numeric(m$coefficients[2])*x +
    as.numeric(m$coefficients[3])*x^2 + 
    as.numeric(m$coefficients[4])*x^3 + 
    as.numeric(m$coefficients[5])*x^4
}  #This way you dont have to copy and paste coefficients

ggplot(data, aes(x=datax, y=datay)) +
  geom_point() +
  stat_function(fun=poly.fit)

绘制R中的非线性回归

1 个答案: