Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi LOESS di R.<\/span><\/p>\n Pertama, mari buat bingkai data berikut di R:<\/span><\/p>\n Kita dapat menggunakan fungsi loess()<\/strong> untuk menyesuaikan beberapa model regresi LOESS ke kumpulan data ini, menggunakan nilai berbeda untuk parameter span<\/strong> :<\/span> <\/p>\n Perhatikan bahwa semakin rendah nilai yang kita gunakan untuk span<\/strong> , semakin tidak \u201cmulus\u201d model regresinya dan semakin besar upaya model untuk menyesuaikan titik data.<\/span><\/p>\n Untuk menemukan nilai jangkauan<\/strong> optimal yang akan digunakan, kita dapat melakukan validasi silang k-fold<\/a> menggunakan fungsi dalam paket tanda sisipan<\/strong> :<\/span><\/p>\n Terlihat bahwa nilai span<\/strong> yang menghasilkan nilai root mean square error<\/a> (RMSE) terendah adalah 0.7<\/strong> .<\/span><\/p>\n Jadi, untuk model regresi LOESS terakhir kita, kita akan memilih untuk menggunakan nilai 0,7<\/strong> untuk argumen span<\/strong> dalam fungsi loess()<\/strong> .<\/span><\/p>\n Tutorial berikut memberikan informasi tambahan tentang model regresi di R:<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Regresi LOESS , terkadang disebut regresi lokal, adalah metode yang menggunakan penyesuaian lokal untuk menyesuaikan model regresi dengan sekumpulan data. Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi LOESS di R. Langkah 1: Buat datanya Pertama, mari buat bingkai data berikut di R: #view DataFrame df <- data. frame (x=c(1, 2, 3, 4, 5, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Langkah 1: Buat datanya<\/strong><\/span><\/h3>\n
#view DataFrame\n<\/span>df <- data. frame<\/span> (x=c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14),\n y=c(1, 4, 7, 13, 19, 24, 20, 15, 13, 11, 15, 18, 22, 27))\n\n#view first six rows of data frame<\/span>\nhead(df)\n\n xy\n1 1 1\n2 2 4\n3 3 7\n4 4 13\n5 5 19\n6 6 24\n<\/strong><\/pre>\n Langkah 2: Sesuaikan beberapa model regresi LOESS<\/strong><\/span><\/h3>\n
#fit several LOESS regression models to dataset\n<\/span>loess50 <- loess(y ~ x, data=df, span= .5<\/span> )\nsmooth50 <- predict(loess50) \n\nloess75 <- loess(y ~ x, data=df, span= .75<\/span> )\nsmooth75 <- predict(loess75) \n\nloess90 <- loess(y ~ x, data=df, span= .9<\/span> )\nsmooth90 <- predict(loess90) \n\n#create scatterplot with each regression line overlaid\n<\/span>plot(df$x, df$y, pch= 19<\/span> , main=' Loess Regression Models<\/span> ')\nlines(smooth50, x=df$x, col=' red<\/span> ')\nlines(smooth75, x=df$x, col=' purple<\/span> ')\nlines(smooth90, x=df$x, col=' blue<\/span> ')\nlegend(' bottomright<\/span> ', legend=c(' .5<\/span> ', ' .75<\/span> ', ' .9<\/span> '),\n col=c(' red<\/span> ', ' purple<\/span> ', ' blue<\/span> '), pch= 19<\/span> , title=' Smoothing Span<\/span> ')\n<\/strong><\/span><\/pre>\n![\"Regresi](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/loess1.jpg\")
<\/p>\n Langkah 3: Gunakan K-Fold Cross-Validation untuk Menemukan Model Terbaik<\/strong><\/span><\/h3>\n
library<\/span> (caret)\n\n#define k-fold cross validation method\n<\/span>ctrl <- trainControl(method = \" cv<\/span> \", number = 5<\/span> )\ngrid <- expand. grid<\/span> (span = seq( 0.5<\/span> , 0.9<\/span> , len = 5<\/span> ), degree = 1<\/span> )\n\n#perform cross-validation using smoothing spans ranging from 0.5 to 0.9\n<\/span>model <- train(y ~ x, data = df, method = \" gamLoess<\/span> \", tuneGrid=grid, trControl = ctrl)\n\n#print results of k-fold cross-validation\n<\/span>print<\/span> (model)\n\n14 samples\n 1 predictor\n\nNo pre-processing\nResampling: Cross-Validated (5 fold) \nSummary of sample sizes: 12, 11, 11, 11, 11 \nResampling results across tuning parameters:\n\n span RMSE Rsquared MAE \n 0.5 10.148315 0.9570137 6.467066\n 0.6 7.854113 0.9350278 5.343473\n 0.7 6.113610 0.8150066 4.769545\n 0.8 17.814105 0.8202561 11.875943\n 0.9 26.705626 0.7384931 17.304833\n\nTuning parameter 'degree' was held constant at a value of 1\nRMSE was used to select the optimal model using the smallest value.\nThe final values used for the model were span = 0.7 and degree = 1.<\/strong><\/span><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi linier berganda di R<\/a>
Bagaimana melakukan regresi logistik di R
Bagaimana melakukan regresi kuantil di R<\/a>
Bagaimana melakukan regresi tertimbang di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"