上一期给大家讲述了如何给简单散点图添加回归模型拟合线，今天给大家讲一下如何给散点图添加最优拟合曲线，以及在图上添加拟合的函数。
使用的函数包： gcookbook,ggplot2,ggpubr,dplyr,scales,reshape2,grid,plyr,AICmodavg,stringr.(必须安装了这些包)。
今天使用的是R语言自带数据集：mpg
一，加载R包以及重构数据
library(dplyr)
library(scales)
library(reshape2)
library(grid)
library(gcookbook)
library(ggplot2)
library(ggpubr)
library(AICcmodavg)
library(plyr)
library(stringr)
mpg1<-data.frame(mpg$hwy,mpg$displ)#重构数据，选取了mpg数据集中的两变量 colnames(mpg1)[1]<-"x" #将mpg1中的第一列数据名称改为x，第二列为y colnames(mpg1)[2]<-"y" head(mpg1) #查看前六行数据< code></-data.frame(mpg$hwy,mpg$displ)#重构数据，选取了mpg数据集中的两变量>
二，绘制基础散点图
p1<-ggplot(mpg1,aes(x,y))+geom_point()+stat_smooth(method="loess",formula=y~x,level=0.95,colour="red",alpha=0.3,span=0.6)+stat_cor(method="pearson",label.x=35)+scale_x_continuous(limits=c(10,50))+scale_y_continuous(limits=c(0,8)) p1< code></-ggplot(mpg1,aes(x,y))+geom_point()+stat_smooth(method="loess",formula=y~x,level=0.95,colour="red",alpha=0.3,span=0.6)+stat_cor(method="pearson",label.x=35)+scale_x_continuous(limits=c(10,50))+scale_y_continuous(limits=c(0,8))>
这里使用了loess(局部加权回归)，同时使用了Pearson相关性分析，label（放置相关系数的位置），使用scale_x_continuous和scale_y_continuous限制横纵坐标的范围。
三，设定拟合模型，简单绘制图形
这里以线性模型为例子，选出其中最适合的模型
models<-list(lm(y~x,data=mpg1),lm(y~i(1 x),data="mpg1))" #构造了二个线性模型，其中i()函数，避免函数模型的错误。< code></-list(lm(y~x,data=mpg1),lm(y~i(1>
查看所有模型的参数
models
绘制散点图二个模型拟合线
p2<-ggplot(mpg1, aes(x, y)) +geom_point()+stat_smooth(method="lm" , formula="as.formula(models[[1]])," size="2.5," se="FALSE," colour="red" ) +stat_smooth(method="lm" p2< code></-ggplot(mpg1,>
四，通过逐步回归计算AIC值，选出最优模型。
ldply(models, function(mod){data.frame(AICc=AICc(mod), AIC=AIC(mod), model=deparse(formula(mod))) })
AIC值越小，拟合效果越好。
所以我们选定了模型一，对模型一进一步进行回归分析。
tlm<-lm(y~x,data=mpg1) summary(tlm)< code></-lm(y~x,data=mpg1)>
可以从结果看出，拟合效果是显著的。
五，将拟合的模型函数加到图中
p3<-ggplot(mpg1, aes(x, y)) +geom_point(shape="19,alpha=0.3,stroke=0,size=mpg1$y)+stat_smooth(method="lm",formula=y~x,se=TRUE,colour="yellow",fill="black",alpha=0.2)" +scale_x_continuous(limits="c(10,50))+scale_y_continuous(limits=c(0,8))" +theme_bw() +theme(panel.border="element_blank(),panel.grid=element_blank(),axis.line=element_line(colour="black"))" +theme(axis.text="element_text(colour='black',size=12),axis.title=element_text(size=14,colour='black'))" +annotate("text",x="20,y=7.5,label="y==-0.166x+7.368(R^2==0.59)",hjust=0,size=6,parse=TRUE)" p3< code></-ggplot(mpg1,>
p4<-p3+labs(x="自变量",y="因变量") p4< code></-p3+labs(x="自变量",y="因变量")>
end~
对于模型的选取，不仅仅有线性模型，还有非线性模型，对此的要根据自己的数据，相应的变化函数。
Original: https://blog.csdn.net/m0_61206827/article/details/121989926
Author: 吹哨子的喇叭花
Title: R语言学习-添加回归模型最优拟合线（二）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/630919/
转载文章受原作者版权保护。转载请注明原作者出处！