Het volgende stapsgewijze voorbeeld laat zien hoe u LOESS-regressie uitvoert in R.<\/span><\/p>\n Laten we eerst het volgende dataframe in R maken:<\/span><\/p>\n We kunnen de l\u00f6ss()<\/strong> -functie gebruiken om meerdere LOESS-regressiemodellen in deze dataset te passen, met verschillende waarden voor de span-<\/strong> parameter:<\/span> <\/p>\n Merk op dat hoe lager de waarde die we gebruiken voor span<\/strong> , hoe minder \u201cglad\u201d het regressiemodel zal zijn en hoe meer het model zal proberen de gegevenspunten te passen.<\/span><\/p>\n Om de optimale omvangswaarde<\/strong> te vinden die we kunnen gebruiken, kunnen we k-voudige kruisvalidatie<\/a> uitvoeren met behulp van functies in het caret-<\/strong> pakket:<\/span><\/p>\n We kunnen zien dat de spanwaarde<\/strong> die de laagste waarde voor de root mean square error<\/a> (RMSE) opleverde, 0,7<\/strong> is.<\/span><\/p>\n Voor ons uiteindelijke LOESS-regressiemodel zouden we er dus voor kiezen om een waarde van 0,7<\/strong> te gebruiken voor het span-<\/strong> argument in de l\u00f6ss()-<\/strong> functie.<\/span><\/p>\n De volgende zelfstudies bieden aanvullende informatie over regressiemodellen in R:<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> LOESS-regressie , ook wel lokale regressie genoemd, is een methode die lokale aanpassing gebruikt om een regressiemodel aan te passen aan een reeks gegevens. Het volgende stapsgewijze voorbeeld laat zien hoe u LOESS-regressie uitvoert in R. Stap 1: Cre\u00eber de gegevens Laten we eerst het volgende dataframe in R maken: #view DataFrame df <- data. […]<\/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":[],"class_list":["post-3152","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Cre\u00eber de gegevens<\/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 Stap 2: Pas meerdere LOESS-regressiemodellen toe<\/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![\"L\u00f6ss-regressie](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/loess1.jpg\")
<\/p>\n Stap 3: Gebruik K-Fold Cross-Validation om het beste model te vinden<\/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 Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe logistische regressie uit te voeren in R
Hoe kwantielregressie uit te voeren in R<\/a>
Hoe gewogen regressie uit te voeren in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"