O exemplo passo a passo a seguir mostra como realizar a regress\u00e3o LOESS em R.<\/span><\/p>\n Primeiro, vamos criar o seguinte quadro de dados em R:<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o loess()<\/strong> para ajustar v\u00e1rios modelos de regress\u00e3o LOESS a este conjunto de dados, usando valores diferentes para o par\u00e2metro span<\/strong> :<\/span> <\/p>\n Observe que quanto menor o valor que usamos para span<\/strong> , menos \u201csuave\u201d ser\u00e1 o modelo de regress\u00e3o e mais o modelo tentar\u00e1 ajustar os pontos de dados.<\/span><\/p>\n Para encontrar o valor de extens\u00e3o<\/strong> ideal a ser usado, podemos realizar valida\u00e7\u00e3o cruzada k-fold<\/a> usando fun\u00e7\u00f5es no pacote circunflexo<\/strong> :<\/span><\/p>\n Podemos ver que o valor de amplitude<\/strong> que produziu o valor mais baixo para a raiz do erro quadr\u00e1tico m\u00e9dio<\/a> (RMSE) \u00e9 0,7<\/strong> .<\/span><\/p>\n Portanto, para nosso modelo de regress\u00e3o LOESS final, escolher\u00edamos usar um valor de 0,7<\/strong> para o argumento span<\/strong> na fun\u00e7\u00e3o loess()<\/strong> .<\/span><\/p>\n Os tutoriais a seguir fornecem informa\u00e7\u00f5es adicionais sobre modelos de regress\u00e3o em R:<\/span><\/p>\n Como realizar regress\u00e3o linear simples em R<\/a> A regress\u00e3o LOESS , \u00e0s vezes chamada de regress\u00e3o local, \u00e9 um m\u00e9todo que usa ajuste local para ajustar um modelo de regress\u00e3o a um conjunto de dados. O exemplo passo a passo a seguir mostra como realizar a regress\u00e3o LOESS em R. Etapa 1: crie os dados Primeiro, vamos criar o seguinte quadro de […]<\/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-3151","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Etapa 1: crie os dados<\/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 Etapa 2: Ajustar v\u00e1rios modelos de regress\u00e3o 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![\"Regress\u00e3o](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/loess1.jpg\")
<\/p>\n Etapa 3: use a valida\u00e7\u00e3o cruzada K-Fold para encontrar o melhor modelo<\/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 Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o linear m\u00faltipla em R<\/a>
Como realizar regress\u00e3o log\u00edstica em R
Como realizar regress\u00e3o quant\u00edlica em R<\/a>
Como realizar regress\u00e3o ponderada em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"