Il seguente esempio passo passo mostra come eseguire la regressione LOESS in R.<\/span><\/p>\n Innanzitutto, creiamo il seguente frame di dati in R:<\/span><\/p>\n Possiamo utilizzare la funzione loess()<\/strong> per adattare pi\u00f9 modelli di regressione LOESS a questo set di dati, utilizzando valori diversi per il parametro span<\/strong> :<\/span> <\/p>\n Si noti che quanto pi\u00f9 basso \u00e8 il valore utilizzato per span<\/strong> , tanto meno \u201cfluido\u201d sar\u00e0 il modello di regressione e tanto pi\u00f9 il modello tenter\u00e0 di adattare i punti dati.<\/span><\/p>\n Per trovare il valore di estensione<\/strong> ottimale da utilizzare, possiamo eseguire la convalida incrociata k-fold<\/a> utilizzando le funzioni nel pacchetto caret<\/strong> :<\/span><\/p>\n Possiamo vedere che il valore di span<\/strong> che ha prodotto il valore pi\u00f9 basso per l’errore quadratico medio<\/a> (RMSE) \u00e8 0,7<\/strong> .<\/span><\/p>\n Quindi, per il nostro modello di regressione LOESS finale, sceglieremmo di utilizzare un valore di 0,7<\/strong> per l’argomento span<\/strong> nella funzione loess()<\/strong> .<\/span><\/p>\n Le esercitazioni seguenti forniscono informazioni aggiuntive sui modelli di regressione in R:<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> La regressione LOESS , a volte chiamata regressione locale, \u00e8 un metodo che utilizza l’aggiustamento locale per adattare un modello di regressione a un insieme di dati. Il seguente esempio passo passo mostra come eseguire la regressione LOESS in R. Passaggio 1: creare i dati Innanzitutto, creiamo il seguente frame di dati in R: #view […]<\/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 Passaggio 1: creare i dati<\/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 Passaggio 2: adattamento di pi\u00f9 modelli di regressione 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![\"Regressione](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/loess1.jpg\")
<\/p>\n Passaggio 3: utilizzare la convalida incrociata K-Fold per trovare il modello migliore<\/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 Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come eseguire la regressione logistica in R
Come eseguire la regressione quantile in R<\/a>
Come eseguire la regressione ponderata in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"