Rの基本パッケージ中の平滑化関数一覧
をテンプレートにして作成
[
トップ
] [
新規
|
一覧
|
検索
|
最終更新
|
ヘルプ
]
開始行:
//間瀬(2004/09/07)
COLOR(red){SIZE(18){R の平滑化関数の簡易紹介}}
R は幾つかのデータの平滑化関数を持つ。一部は時系列オブジェクトの
平滑化を行う。ここでは R の基本パッケージ stats 中の、特に散布図の平滑化を行う関数を紹介する。
#contents
~
*核関数による平滑化
**核関数を用いた平滑化
Nadaraya-Watson による核関数を用いた回帰平滑化を行う。
ksmooth(x, y, kernel = c("box", "normal"), bandwidth = 0.5,
range.x = range(x), n.points = max(100, length(x)), x.points)
*多項式の局所的当てはめによる平滑化
**散布図平滑化
LOWESS 平滑化による計算を実行する。
lowess89 は平滑結果の座標である x と y を成分に持つリストを
返す。平滑結果は lines() 関数で元の散布図プロットに描き加えることができる。
lowess(x, y = NULL, f = 2/3, iter=3, delta = 0.01 * diff(range(xy$x[o])))
**散布図と Loess 平滑化曲線の同時プロット
散布図を描き、それに Loess による平滑化曲線を上描きする。
scatter.smooth(x, y, span = 2/3, degree = 1,
family = c("symmetric", "gaussian"),
xlab = deparse(substitute(x)), ylab = deparse(substitute(y)),
ylim = range(y, prediction$y), evaluation = 50, ...)
loess.smooth(x, y, span = 2/3, degree = 1,
family = c("symmetric", "gaussian"), evaluation = 50, ...)
*スプライン関数当てはめによる平滑化
**スプライン関数当てはめによる予測
スプライン関数当てはめによる新しい点での予測を行う。
予測は元のデータ範囲外では直線になる。
## クラス "smooth.spline" に対する S3 メソッド
predict(object, x, deriv = 0, ...)
**スプライン関数による平滑化
与えられたデータに3次の平滑化スプライン関数を当てはめる。
smooth.spline(x, y = NULL, w = NULL, df, spar = NULL,
cv = FALSE, all.knots = FALSE, nknots = NULL,
df.offset = 0, penalty = 1, control.spar = list())
**散布図と Loess 平滑化曲線の同時プロット
散布図を描き、それに Loess による平滑化曲線を上描きする。
scatter.smooth(x, y, span = 2/3, degree = 1,
family = c("symmetric", "gaussian"),
xlab = deparse(substitute(x)), ylab = deparse(substitute(y)),
ylim = range(y, prediction$y), evaluation = 50, ...)
loess.smooth(x, y, span = 2/3, degree = 1,
family = c("symmetric", "gaussian"), evaluation = 50, ...)
*移動直線平滑化、Friedman の supersmoother 法
**Friedman の SuperSmoother
Friedman の「super smoother」を用いて (x,y) 値を
平滑化する。
supsmu(x, y, wt, span = "cv", periodic = FALSE, bass = 0)
*移動中央値による平滑化
**移動中央値平滑化
奇数スパンの移動中央値(running median)を計算する。
これは考えられる限り「最も頑健」な散布図平滑化である。効率化(そして歴史的理由から)、
同じ結果を与える二つの方法を選ぶことができる。
runmed(x, k, endrule = c("median","keep","constant"),
algorithm = NULL, print.level = 0)
**Tukey の移動中央値平滑化
Tukey の移動中央値平滑化(runnning median)を行う。
smooth(x, kind = c("3RS3R", "3RSS", "3RSR", "3R", "3", "S"),
twiceit = FALSE,
endrule = "Tukey", do.ends = FALSE)
**移動中央値に対する端点平滑化
最端点で順次小さくなる中央値と Tukey の端点規則を使用し、
ベクトル y の端点を平滑化する。
smoothEnds(y, k = 3)
終了行:
//間瀬(2004/09/07)
COLOR(red){SIZE(18){R の平滑化関数の簡易紹介}}
R は幾つかのデータの平滑化関数を持つ。一部は時系列オブジェクトの
平滑化を行う。ここでは R の基本パッケージ stats 中の、特に散布図の平滑化を行う関数を紹介する。
#contents
~
*核関数による平滑化
**核関数を用いた平滑化
Nadaraya-Watson による核関数を用いた回帰平滑化を行う。
ksmooth(x, y, kernel = c("box", "normal"), bandwidth = 0.5,
range.x = range(x), n.points = max(100, length(x)), x.points)
*多項式の局所的当てはめによる平滑化
**散布図平滑化
LOWESS 平滑化による計算を実行する。
lowess89 は平滑結果の座標である x と y を成分に持つリストを
返す。平滑結果は lines() 関数で元の散布図プロットに描き加えることができる。
lowess(x, y = NULL, f = 2/3, iter=3, delta = 0.01 * diff(range(xy$x[o])))
**散布図と Loess 平滑化曲線の同時プロット
散布図を描き、それに Loess による平滑化曲線を上描きする。
scatter.smooth(x, y, span = 2/3, degree = 1,
family = c("symmetric", "gaussian"),
xlab = deparse(substitute(x)), ylab = deparse(substitute(y)),
ylim = range(y, prediction$y), evaluation = 50, ...)
loess.smooth(x, y, span = 2/3, degree = 1,
family = c("symmetric", "gaussian"), evaluation = 50, ...)
*スプライン関数当てはめによる平滑化
**スプライン関数当てはめによる予測
スプライン関数当てはめによる新しい点での予測を行う。
予測は元のデータ範囲外では直線になる。
## クラス "smooth.spline" に対する S3 メソッド
predict(object, x, deriv = 0, ...)
**スプライン関数による平滑化
与えられたデータに3次の平滑化スプライン関数を当てはめる。
smooth.spline(x, y = NULL, w = NULL, df, spar = NULL,
cv = FALSE, all.knots = FALSE, nknots = NULL,
df.offset = 0, penalty = 1, control.spar = list())
**散布図と Loess 平滑化曲線の同時プロット
散布図を描き、それに Loess による平滑化曲線を上描きする。
scatter.smooth(x, y, span = 2/3, degree = 1,
family = c("symmetric", "gaussian"),
xlab = deparse(substitute(x)), ylab = deparse(substitute(y)),
ylim = range(y, prediction$y), evaluation = 50, ...)
loess.smooth(x, y, span = 2/3, degree = 1,
family = c("symmetric", "gaussian"), evaluation = 50, ...)
*移動直線平滑化、Friedman の supersmoother 法
**Friedman の SuperSmoother
Friedman の「super smoother」を用いて (x,y) 値を
平滑化する。
supsmu(x, y, wt, span = "cv", periodic = FALSE, bass = 0)
*移動中央値による平滑化
**移動中央値平滑化
奇数スパンの移動中央値(running median)を計算する。
これは考えられる限り「最も頑健」な散布図平滑化である。効率化(そして歴史的理由から)、
同じ結果を与える二つの方法を選ぶことができる。
runmed(x, k, endrule = c("median","keep","constant"),
algorithm = NULL, print.level = 0)
**Tukey の移動中央値平滑化
Tukey の移動中央値平滑化(runnning median)を行う。
smooth(x, kind = c("3RS3R", "3RSS", "3RSR", "3R", "3", "S"),
twiceit = FALSE,
endrule = "Tukey", do.ends = FALSE)
**移動中央値に対する端点平滑化
最端点で順次小さくなる中央値と Tukey の端点規則を使用し、
ベクトル y の端点を平滑化する。
smoothEnds(y, k = 3)
ページ名:
![[RjpWiki]](image/../Rlogo.png "[RjpWiki]")
