R数据科学 17.3.3答案

(1) 除了使用 lm() 函数拟合一条直线,你还可以使用 loess() 函数来拟合一条平滑曲线。使用 loess() 代替 lm() 对 sim1 数据集重复模型拟合、网格生成、预测和可视化的过程,并将结果与 geom_smooth() 函数进行比较。

复制代码
# 使用 loess() 拟合平滑曲线
loess_model <- loess(y ~ x, data = sim1)
# 生成网格数据
grid <- data.frame(x = seq(min(sim1$x), max(sim1$x), length.out = 100))
# 预测
grid$predicted_y <- predict(loess_model, newdata = grid)
# 可视化
library(ggplot2)
ggplot(sim1, aes(x, y)) +
  geom_point() +
  geom_line(data = grid, aes(x, predicted_y), color = "blue") +
  geom_smooth(method = "loess", se = FALSE, color = "red") # geom_smooth 对比

(2) add_predictions()函数还伴有 2 个函数:gather_predictions()和 spread_predicitons()。这 3 个函数有什么不同?

  1. add_predictions():将模型的预测值直接添加到原始数据框中,形成一个新的列,便于后续分析。

  2. gather_predictions():将预测结果转化为长格式(long format),通常适用于在 ggplot2 中进行分面(facet)或比较不同模型的情况。

  3. spread_predictions():将预测结果转化为宽格式(wide format),每个模型的预测值会形成一个新的列,这在比较多个模型的预测时非常有用。

(3) geom_ref_line() 函数的功能是什么?它来自于哪个 R 包?在显示残差的图形中显示一条参考线是非常重要和有用的,为什么这么说呢?

geom_ref_line() 用于在图形中添加参考线(例如,水平线或垂直线)。这个函数通常来自于 ggplot2 包。

在显示残差图时,添加参考线(如 y=0 的水平线)是非常重要和有用的,因为它能帮助我们直观地观察残差的分布。如果残差分布在这条参考线的上下是随机的,没有明显的模式,说明模型拟合良好;反之,如果残差呈现系统性的偏离,可能意味着模型存在问题或需要调整。

(4) 为什么需要检查残差绝对值的频率多边形图?与检查残差本身相比,这种方式有什么优缺点呢?

检查残差绝对值的频率多边形图可以帮助我们更好地理解残差的分布特性。优缺点如下:

  1. 优点

    频率多边形图可以直观显示残差绝对值的分布情况,尤其是它们的集中程度和分散程度。

    可以揭示潜在的异常值和偏差模式,帮助判断模型的拟合质量。

  2. 缺点

    仅仅查看残差绝对值可能会掩盖残差的实际值,导致对模型性能的误解。与检查残差的实际值相比,可能无法直观地发现模型的系统性错误或模式。

    总之,结合这两种方式,能够更全面地评估模型的拟合效果。

相关推荐
Monkey-旭2 小时前
Android Bitmap 完全指南:从基础到高级优化
android·java·人工智能·计算机视觉·kotlin·位图·bitmap
天若有情6733 小时前
【python】Python爬虫入门教程:使用requests库
开发语言·爬虫·python·网络爬虫·request
哪 吒3 小时前
OpenAI放大招:ChatGPT学习模式上线,免费AI智能家教
人工智能·学习·ai·chatgpt·gemini·deepseek
IT北辰3 小时前
用Python+MySQL实战解锁企业财务数据分析
python·mysql·数据分析
Lucky高3 小时前
selenium(WEB自动化工具)
python
老鱼说AI3 小时前
循环神经网络RNN原理精讲,详细举例!
人工智能·rnn·深度学习·神经网络·自然语言处理·语音识别
秃然想通3 小时前
掌握Python三大语句:顺序、条件与循环
开发语言·python·numpy
lingling0093 小时前
颐顿机电携手观远BI数据:以数据驱动决策,领跑先进制造智能化升级
大数据·人工智能·制造
b***25113 小时前
电池自动生产线:科技赋能下的高效制造新范式
大数据·人工智能
EVERSPIN4 小时前
分享低功耗单火线开关语音识别方案
人工智能·语音识别