我是R的新手，但一直在尝试将非线性模型拟合到某些数据，但未成功。最后，我在Excel中添加了多项式趋势线，并尝试绘制我得到的函数-由于某种原因，该函数不适合我的数据在R中。我尝试了简单的geom_smooth，但是实现了“庞大”行，我想要一个顺利的。我在一个图中有6个样本，这是其中一个的数据，包括Excel所获得的功能以及我对其进行绘图的尝试。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)
好吧，该功能不能完全适合数据。运行代码后，poly.fit(46.3)它返回0.0306969不是.03989
问题在于方程本身。如果您确实想在R中创建一个与数据完全匹配的函数，则有一个称为多项式插值的原理，该原理几乎表明如果要完美拟合，则需要与模型中的项一样多的点。因此，如果您想匹配这些点，可以使用：
m <- lm(datay ~ poly(datax,4)) # poly() fits the polynomial with 4+1 terms
summary(m) # displays coefficients
一旦获得系数，您就可以像以前一样重新创建函数，并且该函数应该适合直线以完美匹配您的点（只要您适合足够的多项式项！）。
编辑：这是显示您想要的内容的可复制代码的示例
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)
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句