Installer une fonction dans R

J'ai quelques points de données (x et y) qui semblent avoir une relation logarithmique.

> 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")

Installer une fonction dans R

Maintenant, je voudrais trouver une fonction sous-jacente qui s'adapte sur le graphique et me permet d'en déduire d'autres points de données (c'est à dire 3 ou 82). J'ai lu sur lm et nls mais je ne suis pas aller nulle part vraiment.

Au premier abord, j'ai créé une fonction dont j'ai pensé qu'il ressemblait à l'intrigue le plus:

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")

Installer une fonction dans R

Par la suite, j'ai essayé de générer un modèle de montage à l'aide de nls:

> fit <- nls(y ~ f(x, a, b), data=mydata, start=list(a=1, b=1))
   Error in numericDeriv(form[[3]], names(ind), env) :
   Missing value or an Infinity produced when evaluating the model

Quelqu'un peut me pointer dans la bonne direction sur quoi faire à partir d'ici?

Suivi

Après la lecture de vos commentaires et de googler un peu plus loin j'ai ajusté les paramètres de départ pour ab et c et puis, soudain, le modèle de convergence.

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)

Installer une fonction dans R

source d'informationauteur jnns

  1. 9

    Peut-être l'aide d'un cube de spécification du modèle et l'estimation par lm vous donnera un bon ajustement. 

    # 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.

    Installer une fonction dans R

  2. 3

    Essayez de prendre le journal de votre réponse à la variable, puis à l'aide de lm à l'ajustement d'un modèle linéaire:

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

    La adjusted R-squared est 0.8486, à la valeur nominale n'est pas mauvaise. Vous pouvez regarder l'ajustement à l'aide de la parcelle, par exemple:

    plot(fit, which=2)

    Mais peut-être, il n'est pas un bon ajustement, après tout:

    last_plot() + geom_line(aes(x=x, y=exp(fit$fitted.values)))
  3. 1

    Vérifier ce document: http://cran.r-project.org/doc/contrib/Ricci-distributions-en.pdf

    En bref, vous devez d'abord décider sur le modèle pour s'adapter sur vos données (par exemple, exponentielle) et ensuite l'estimation de ses paramètres.

    Voici quelques largement utilisé distributions:
    http://www.itl.nist.gov/div898/handbook/eda/section3/eda366.htm