我有一些数据，我使用 R 在绘图上绘制它们。之后，我绘制关于该数据的 loess 函数。这是代码：
data <- read.table("D:/data.csv", header=TRUE, sep=",", na.strings="NA", dec=".", strip.white=TRUE)
ur <- subset(data, select = c(users,responseTime))
ur <- ur[with(ur, order(users, responseTime)), ]
plot(ur, xlab="Users", ylab="Response Time (ms)")
lines(ur)
loess_fit <- loess(responseTime ~ users, ur)
lines(ur$users, predict(loess_fit), col = "blue")
这是我的情节图像：
我怎样才能得到这个回归的功能？例如：响应时间 = 68 + 45 * 用户。
谢谢。
您可以使用loess_fit代码中的对象来预测响应时间。如果你想估计 230 个用户的平均响应时间，你可以这样做：
predict(loess_fit, newdata=data.frame(users=230))
这是一篇关于这个主题的有趣的博客文章。
编辑：如果您想对数据之外的值进行预测，您需要一个理论或进一步的假设。最简单的假设是线性拟合，
lm_fit <- lm(responseTime ~ users, data=ur)
predict(lm_fit, newdata=data.frame(users=400))
但是，您的数据可能显示异方差（非恒定方差）并且可能显示非正态残差。您可能想检查是否是这种情况。如果是这样，那么一个稳健的线性拟合过程（例如rlm来自 packageMASS的）或广义线性模型glm可能值得一试。我不是这方面的专家，也许其他人或Cross Validated可以提供更好的帮助。
TeachingDemos 包中的loess.demo函数显示了黄土拟合的逻辑。这可以帮助您了解正在发生的事情以及为什么没有简单的预测功能。但是，对于预测，有一个predict函数可以与 loess 拟合来创建预测。您还可以找到预测 x 的特定值的线性方程（但对于您可能想要预测的每个 x 值，它会有所不同）。