R語(yǔ)言關(guān)于非線性最小二乘的知識(shí)點(diǎn)實(shí)例
當(dāng)模擬真實(shí)世界數(shù)據(jù)用于回歸分析時(shí),我們觀察到,很少情況下,模型的方程是給出線性圖的線性方程。大多數(shù)時(shí)候,真實(shí)世界數(shù)據(jù)模型的方程涉及更高程度的數(shù)學(xué)函數(shù),如3的指數(shù)或sin函數(shù)。在這種情況下,模型的圖給出了曲線而不是線。線性和非線性回歸的目的是調(diào)整模型參數(shù)的值,以找到最接近您的數(shù)據(jù)的線或曲線。在找到這些值時(shí),我們將能夠以良好的精確度估計(jì)響應(yīng)變量。
在最小二乘回歸中,我們建立了一個(gè)回歸模型,其中來(lái)自回歸曲線的不同點(diǎn)的垂直距離的平方和被最小化。我們通常從定義的模型開(kāi)始,并假設(shè)系數(shù)的一些值。然后我們應(yīng)用R語(yǔ)言的nls()函數(shù)獲得更準(zhǔn)確的值以及置信區(qū)間。
語(yǔ)法
在R語(yǔ)言中創(chuàng)建非線性最小二乘測(cè)試的基本語(yǔ)法是
nls(formula, data, start)
以下是所使用的參數(shù)的描述
- formula是包括變量和參數(shù)的非線性模型公式。
- data是用于計(jì)算公式中變量的數(shù)據(jù)框。
- start是起始估計(jì)的命名列表或命名數(shù)字向量。
例
我們將考慮一個(gè)假設(shè)其系數(shù)的初始值的非線性模型。 接下來(lái),我們將看到這些假設(shè)值的置信區(qū)間是什么,以便我們可以判斷這些值在模型中有多好。
所以讓我們考慮下面的方程為這個(gè)目的
a = b1*x^2+b2
讓我們假設(shè)初始系數(shù)為1和3,并將這些值擬合到nls()函數(shù)中。
xvalues <- c(1.6,2.1,2,2.23,3.71,3.25,3.4,3.86,1.19,2.21) yvalues <- c(5.19,7.43,6.94,8.11,18.75,14.88,16.06,19.12,3.21,7.58) # Give the chart file a name. png(file = "nls.png") # Plot these values. plot(xvalues,yvalues) # Take the assumed values and fit into the model. model <- nls(yvalues ~ b1*xvalues^2+b2,start = list(b1 = 1,b2 = 3)) # Plot the chart with new data by fitting it to a prediction from 100 data points. new.data <- data.frame(xvalues = seq(min(xvalues),max(xvalues),len = 100)) lines(new.data$xvalues,predict(model,newdata = new.data)) # Save the file. dev.off() # Get the sum of the squared residuals. print(sum(resid(model)^2)) # Get the confidence intervals on the chosen values of the coefficients. print(confint(model))
當(dāng)我們執(zhí)行上面的代碼,它產(chǎn)生以下結(jié)果
[1] 1.081935 Waiting for profiling to be done... 2.5% 97.5% b1 1.137708 1.253135 b2 1.497364 2.496484
我們可以得出結(jié)論,b1的值更接近1,而b2的值更接近2而不是3。
以上就是R語(yǔ)言關(guān)于非線性最小二乘的知識(shí)點(diǎn)實(shí)例的詳細(xì)內(nèi)容,更多關(guān)于R語(yǔ)言非線性最小二乘的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章!
相關(guān)文章
詳解R語(yǔ)言中的表達(dá)式、數(shù)學(xué)公式、特殊符號(hào)
這篇文章主要介紹了詳解R語(yǔ)言中的表達(dá)式、數(shù)學(xué)公式、特殊符號(hào),本文給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2021-03-03R語(yǔ)言邏輯型運(yùn)算的實(shí)現(xiàn)
本文主要介紹了R語(yǔ)言邏輯型運(yùn)算,邏輯型是 R 的基本數(shù)據(jù)類(lèi)型之一,只有兩個(gè)值 TRUE 和 FALSE, 缺失時(shí)為 NA,具有一定的參考價(jià)值,感興趣的可以了解一下2022-03-03R語(yǔ)言關(guān)于協(xié)方差分析實(shí)例分析
在本篇內(nèi)容里小編給大家整理的是一篇關(guān)于R語(yǔ)言關(guān)于協(xié)方差分析實(shí)例分析內(nèi)容,有興趣的朋友們可以學(xué)習(xí)下。2021-05-05R語(yǔ)言因子型數(shù)值轉(zhuǎn)數(shù)值型的操作
這篇文章主要介紹了R語(yǔ)言因子型數(shù)值轉(zhuǎn)數(shù)值型的操作,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2021-04-04R語(yǔ)言ggplot在熱圖上標(biāo)注相關(guān)系數(shù)的操作方法
R語(yǔ)言是一種開(kāi)源、免費(fèi)的編程語(yǔ)言,主要用于統(tǒng)計(jì)分析、圖形化和機(jī)器學(xué)習(xí),這篇文章主要介紹了R語(yǔ)言ggplot怎么在熱圖上標(biāo)注相關(guān)系數(shù),需要的朋友可以參考下2024-07-07r語(yǔ)言-如何將數(shù)據(jù)標(biāo)準(zhǔn)化和中心化
這篇文章主要介紹了r語(yǔ)言將數(shù)據(jù)標(biāo)準(zhǔn)化和中心化的實(shí)現(xiàn),具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2021-04-04R語(yǔ)言中循環(huán)的相關(guān)知識(shí)詳解
這篇文章主要為大家詳細(xì)介紹了R語(yǔ)言中循環(huán)的相關(guān)知識(shí),文中的示例代碼講解詳細(xì),對(duì)我們學(xué)習(xí)R語(yǔ)言有一定的幫助,感興趣的可以了解一下2023-03-03R語(yǔ)言向量知識(shí)點(diǎn)及實(shí)例講解
在本篇文章里小編給大家整理的是一篇關(guān)于R語(yǔ)言向量知識(shí)點(diǎn)及實(shí)例講解內(nèi)容,有興趣的朋友們可以學(xué)習(xí)下。2021-03-03