2

我正在尝试对非线性回归进行交叉验证并绘制最佳拟合。我觉得我的 locv 和 plot 函数是完全错误的。有人可以澄清我做错了什么吗？ 

data(Boston, package='MASS')
y <- Boston$nox
x <- Boston$dis
n <- length(x)
nla <- n
las <- seq(0, .85, length=nla)
cvs <- rep(0, nla)
for(j in 1:nla) {
  prs <- rep(0,n)
  for(i in 1:n) {
    yi <- y[-i]
    xi <- x[-i]
    d <- nls(y~ A + B * exp(C * x), start=list(A=0.5, B=0.5, C=-0.5))
    prs[i] <- predict(d, newdata=data.frame(xi=x[i]))
  }
 cvs[j] <- mean( (y - prs)^2 )
}
cvs[j]
plot(y~x, pch=19, col='gray', cex=1.5,xlab='dis', ylab='nox')
d <- nls(y~ A + B * exp(C * x), start=list(A=0.5, B=0.5, C=-0.5))
lines(predict(d)[order(x)]~sort(x), lwd=4, col='black')
4

1 回答 1

1

您似乎已经很接近了，但是在您的循环中，您仍在调用完整的数据集x和y. 据我所知，您只需要一个循环即可使模型适合每个留一法场景。因此，我看不到对变量的需求，也看las不到prs. 作为参考，该图显示了 nls 模型拟合完整数据集的留一法均方误差 (LOO MSE) 和残差均方误差 (MSE)。

脚本：

require(MASS)
data(Boston, package='MASS')
y <- Boston$nox
x <- Boston$dis
n <- length(x)

cvs <- rep(0, n)
for(j in seq(n)){
  ys <- y[-j]
  xs <- x[-j]
  d <- nls(ys ~ A + B * exp(C * xs), start=list(A=0.5, B=0.5, C=-0.5))
  cvs[j] <- (y[j] - predict(d, data.frame(xs=x[j])))^2
  print(paste0(j, " of ", n, " finished (", round(j/n*100), "%)"))
}

plot(y~x, pch=19, col='gray', cex=1.5, xlab='dis', ylab='nox')
d <- nls(y~ A + B * exp(C * x), start=list(A=0.5, B=0.5, C=-0.5))
lines(predict(d)[order(x)]~sort(x), lwd=4, col='black')
usr <- par("usr")
text(usr[1] + 0.9*(usr[2]-usr[1]), usr[3] + 0.9*(usr[4]-usr[3]), paste("LOO MSE", "=", round(mean(cvs), 5)), pos=2)
text(usr[1] + 0.9*(usr[2]-usr[1]), usr[3] + 0.8*(usr[4]-usr[3]), paste("MSE", "=", round(mean(resid(d)^2), 5)), pos=2)

在此处输入图像描述

于 2013-10-28T08:11:53.803 回答