在R中拟合函数

我有几个数据点（x和y）似乎有对数关系

> mydata
    x   y
1   0 123
2   2 116
3   4 113
4  15 100
5  48  87
6  75  84
7 122  77

> qplot(x, y, data=mydata, geom="line")

现在，我想找到一个适合图表的底层函数，并允许我推断其他数据点（即

3

或

82

）。我读过关于

lm

和

nls

的书，但我真的一事无成

起初，我创建了一个函数，我认为它与情节最为相似：

f <- function(x, a, b) {
    a * exp(b *-x)
}
x <- seq(0:100)
y <- f(seq(0:100), 1,1)
qplot(x,y, geom="line")

有人能给我指出正确的方向吗

跟进

在阅读了你的评论并在谷歌上搜索了一会儿之后，我调整了

a

、

b

和

c

的起始参数，然后模型突然收敛

fit <- nls(y~f(x,a,b,c), data=data.frame(mydata), start=list(a=1, b=30, c=-0.3))
x <- seq(0,120)
fitted.data <- data.frame(x=x, y=predict(fit, list(x=x))
ggplot(mydata, aes(x, y)) + geom_point(color="red", alpha=.5) + geom_line(alpha=.5) + geom_line(data=fitted.data)

---

fit尝试记录您的响应变量，然后使用
lm
拟合线性模型：

fit <- lm(log(y) ~ x, data=mydata)

但也许，它毕竟不太合适：

last_plot() + geom_line(aes(x=x, y=exp(fit$fitted.values)))

查看此文档：

简言之，首先需要确定适合数据的模型（如指数模型），然后估计其参数

以下是一些广泛使用的发行版：
也许为您的模型使用立方规格，并通过
lm
进行估算会给您一个很好的拟合

# Importing your data
dataset <- read.table(text='
    x   y
1   0 123
2   2 116
3   4 113
4  15 100
5  48  87
6  75  84
7 122  77', header=T)

# I think one possible specification would be a cubic linear model
y.hat <- predict(lm(y~x+I(x^2)+I(x^3), data=dataset)) # estimating the model and obtaining the fitted values from the model

qplot(x, y, data=dataset, geom="line") # your plot black lines
last_plot() + geom_line(aes(x=x, y=y.hat), col=2) # the fitted values red lines

# It fits good.

#导入数据
数据集我认为正确的地点是向你介绍统计学101课程。您至少可以向我们展示一下您在
lm
方面的努力。我建议您阅读R手册：在您的RCONSOLE中键入
？lm
、
？nls
和
？公式
。对不起，我的懒惰-我现在有点沮丧。我添加了我使用
nls所做的步骤及其产生的错误。我知道这是一个老问题，但您是否都尝试过使用
lm（y~poly（x，3），data=mydata）
？您可以尝试不同次数的多项式，并使用
anova
比较
lm
的结果。请编辑您的问题-您现在参考未定义的
f（x，a，b，c）
。这是怎么一回事？您只有
f（x，a，b）
使用log-on响应变量意味着什么？简单地说，OP怀疑存在对数关系，因此拟合x~log（y）的线性模型是一种快速检查方法。
last_plot() + geom_line(aes(x=x, y=exp(fit$fitted.values)))

# Importing your data
dataset <- read.table(text='
    x   y
1   0 123
2   2 116
3   4 113
4  15 100
5  48  87
6  75  84
7 122  77', header=T)

# I think one possible specification would be a cubic linear model
y.hat <- predict(lm(y~x+I(x^2)+I(x^3), data=dataset)) # estimating the model and obtaining the fitted values from the model

qplot(x, y, data=dataset, geom="line") # your plot black lines
last_plot() + geom_line(aes(x=x, y=y.hat), col=2) # the fitted values red lines

# It fits good.