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
站大爷IP几秒前
Java调用Python的5种实用方案:从简单到进阶的全场景解析
python
聚客AI4 分钟前
🌟大模型为什么产生幻觉?预训练到推理的漏洞全揭秘
人工智能·llm·掘金·日新计划
Juchecar9 分钟前
一文讲清 nn.Sequential 等容器类
人工智能
阿里云云原生43 分钟前
如何快速看懂「祖传项目」?Qoder 强势推出新利器
人工智能
美团技术团队1 小时前
LongCat-Flash:如何使用 SGLang 部署美团 Agentic 模型
人工智能·算法
程序员小袁2 小时前
基于C-MTEB/CMedQAv2-rerankingv的Qwen3-1.7b模型微调-demo
人工智能
飞哥数智坊3 小时前
AI 编程一年多,我终于明白:比技巧更重要的,是熟练度
人工智能·ai编程
新智元4 小时前
收手吧 GPT-5-Codex,外面全是 AI 编程智能体!
人工智能·openai
IT_陈寒4 小时前
Java 性能优化:5个被低估的JVM参数让你的应用吞吐量提升50%
前端·人工智能·后端
阿里云云原生4 小时前
阿里云基础设施 AI Tech Day AI 原生,智构未来——AI 原生架构与企业实践专场
人工智能