最新R语言局部多项式回归拟合LOESS回归案例分析报告 附代码数据.docx
《最新R语言局部多项式回归拟合LOESS回归案例分析报告 附代码数据.docx》由会员分享，可在线阅读，更多相关《最新R语言局部多项式回归拟合LOESS回归案例分析报告 附代码数据.docx（14页珍藏版）》请在冰豆网上搜索。
最新R语言局部多项式回归拟合LOESS回归案例分析报告附代码数据
R语言局部多项式回归拟合LOESS回归案例分析报告
LOESS回归是用来拟合平滑易变的时间序列的最常见的方法。
这是一种非参数方法，其中最小二乘回归在局部子集中执行。
介绍
局部回归的LOESS是一种非参数方法，适合多重回归。
如果你知道你的X变量被绑定在一个范围内，这可以是特别足智多谋的。
可以使用loess（）数值向量来进行LOESS回归，以使其平滑并在局部（即，在训练值X s内）预测Y. 邻域的大小可以使用span参数来控制，范围在0到1之间。
它控制平滑的程度。
所以，值越大span，拟合曲线越平滑。
在没有解释变量的情况下，预测变量可以仅仅是从1到观察次数的指数。
如果有其他解释变量可用，也可以使用它们（最多4个）。
例子
对于这个例子，我们将尝试根据数据包中的数据集，对失业的中位数时间进行局部回归和平滑处理。
我们只考虑这个分析的前80行，因此在下面的图表中更容易观察平滑的程度。
economicsggplot2
data（economics,package="ggplot2"）#loaddata
economics$index<-1:
nrow（economics）#createindexvariable
economics<-economics[1:
80,]#retail80rowsforbettergraphicalunderstanding
loessMod10<-loess（uempmed~index,data=economics,span=0.10）#10%smoothingspan
loessMod25<-loess（uempmed~index,data=economics,span=0.25）#25%smoothingspan
loessMod50<-loess（uempmed~index,data=economics,span=0.50）#50%smoothingspan
预测LOESS
#getsmoothedoutput
smoothed10<-predict（loessMod10）
smoothed25<-predict（loessMod25）
smoothed50<-predict（loessMod50）
从上图可以看出，随着跨度的增加，曲线的平滑度也随之增加。
#Plotitplot（economics$uempmed,x=economics$date,type="l",main="LoessSmoothingandPrediction",xlab="Date",ylab="Unemployment（Median）"）lines（smoothed10,x=economics$date,col="red"）lines（smoothed25,x=economics$date,col="green"）lines（smoothed50,x=economics$date,col="blue"）
寻找最佳的平滑范围
随着平滑span度的变化，拟合曲线的精度也会发生变化。
如果你的意图是最小化错误，那么optim（）可以用它来找到span最小化平方误差和（SSE）的值。
对于这种情况，从图形上直观的看，较低的上证指数可能会在较低的价值下实现span，但对于更具挑战性的情况，optimizing跨度可能有所帮助。
为了实现optim（），我们定义了计算SSE的函数。
需要一个错误处理机制来解决span产生非数字的非常低的值和情况。
模拟退火方法（SANN）在这里实现，以找到span最小的SSE。
该par参数指定的第一个值span处optim（）开始搜索。
#definefunctionthatreturnstheSSE
calcSSE<-function（x）{
loessMod<-try（loess（uempmed~index,data=economics,span=x）,silent=T）
res<-try（loessMod$residuals,silent=T）
if（class（res）!
="try-error"）{
if（（sum（res,na.rm=T）>0））{
sse<-sum（res^2）
}
}else{
sse<-99999
}
return（sse）
}#RunoptimtofindspanthatgivesminSSE,startingat0.5optim（par=c（0.5）,calcSSE,method="SANN"）#>$par#>[1]0.05433545#>#>$value#>[1]3.85753e-28#>#>$counts#>functiongradient#>10000NA#>#>$convergence#>[1]0#>#>$message#>NULL
对于这种情况，最好的span结果是0.05433SSE和最小的SSE 3.85e-28。
LOESS回归是用来平滑易变的时间序列的最常见的方法。
这是一种非参数方法，其中最小二乘回归在局部子集中执行，这使得它成为平滑任何数值向量的合适候选者。
介绍
局部回归的LOESS是一种非参数方法，适合多重回归。
如果你知道你的X变量被绑定在一个范围内，这可以是特别足智多谋的。
可以使用loess（）数值向量来进行LOESS回归，以使其平滑并在局部（即，在训练值X s内）预测Y. 邻域的大小可以使用span参数来控制，范围在0到1之间。
它控制平滑的程度。
所以，值越大span，拟合曲线越平滑。
在没有解释变量的情况下，预测变量可以仅仅是从1到观察次数的指数。
如果有其他解释变量可用，也可以使用它们（最多4个）。
例子
对于这个例子，我们将尝试根据数据包中的数据集，对失业的中位数时间进行局部回归和平滑处理。
我们只考虑这个分析的前80行，因此在下面的图表中更容易观察平滑的程度。
economicsggplot2
data（economics,package="ggplot2"）#loaddata
economics$index<-1:
nrow（economics）#createindexvariable
economics<-economics[1:
80,]#retail80rowsforbettergraphicalunderstanding
loessMod10<-loess（uempmed~index,data=economics,span=0.10）#10%smoothingspan
loessMod25<-loess（uempmed~index,data=economics,span=0.25）#25%smoothingspan
loessMod50<-loess（uempmed~index,data=economics,span=0.50）#50%smoothingspan
预测LOESS
#getsmoothedoutput
smoothed10<-predict（loessMod10）
smoothed25<-predict（loessMod25）
smoothed50<-predict（loessMod50）
从上图可以看出，随着跨度的增加，曲线的平滑度也随之增加。
代码为剧情
#Plotitplot（economics$uempmed,x=economics$date,type="l",main="LoessSmoothingandPrediction",xlab="Date",ylab="Unemployment（Median）"）lines（smoothed10,x=economics$date,col="red"）lines（smoothed25,x=economics$date,col="green"）lines（smoothed50,x=economics$date,col="blue"）
寻找最佳的平滑范围
随着平滑span度的变化，拟合曲线的精度也会发生变化。
如果你的意图是最小化错误，那么optim（）可以用它来找到span最小化平方误差和（SSE）的值。
对于这种情况，从图形上直观的看，较低的上证指数可能会在较低的价值下实现span，但对于更具挑战性的情况，optimizing跨度可能有所帮助。
为了实现optim（），我们定义了计算SSE的函数。
需要一个错误处理机制来解决span产生非数字的非常低的值和情况。
模拟退火方法（SANN）在这里实现，以找到span最小的SSE。
该par参数指定的第一个值span处optim（）开始搜索。
#definefunctionthatreturnstheSSE
calcSSE<-function（x）{
loessMod<-try（loess（uempmed~index,data=economics,span=x）,silent=T）
res<-try（loessMod$residuals,silent=T）
if（class（res）!
="try-error"）{
if（（sum（res,na.rm=T）>0））{
sse<-sum（res^2）
}
}else{
sse<-99999
}
return（sse）
}#RunoptimtofindspanthatgivesminSSE,startingat0.5optim（par=c（0.5）,calcSSE,method="SANN"）#>$par#>[1]0.05433545#>#>$value#>[1]3.85753e-28#>#>$counts#>functiongradient#>10000NA#>#>$convergence#>[1]0#>#>$message#>NULL
对于这种情况，最好的span结果是0.05433SSE和最小的SSE 3.85e-28。
LOESS回归是用来平滑易变的时间序列的最常见的方法。
这是一种非参数方法，其中最小二乘回归在局部子集中执行，这使得它成为平滑任何数值向量的合适候选者。
介绍
局部回归的LOESS是一种非参数方法，适合多重回归。
如果你知道你的X变量被绑定在一个范围内，这可以是特别足智多谋的。
可以使用loess（）数值向量来进行LOESS回归，以使其平滑并在局部（即，在训练值X s内）预测Y. 邻域的大小可以使用span参数来控制，范围在0到1之间。
它控制平滑的程度。
所以，值越大span，拟合曲线越平滑。
在没有解释变量的情况下，预测变量可以仅仅是从1到观察次数的指数。
如果有其他解释变量可用，也可以使用它们（最多4个）。
例子
对于这个例子，我们将尝试根据数据包中的数据集，对失业的中位数时间进行局部回归和平滑处理。
我们只考虑这个分析的前80行，因此在下面的图表中更容易观察平滑的程度。
economicsggplot2
data（economics,package="ggplot2"）#loaddata
economics$index<-1:
nrow（economics）#createindexvariable
eco
升级会员 