如何在R中将平面回归转换为曲面回归？

你说得完全对，lm(z ~ x + y)构建的是二元线性回归模型，只能拟合出平面。要得到符合散点图趋势的曲面，我们需要给模型引入非线性项，比如变量的二次项、交互项，这样就能构建出二次曲面回归模型了。下面是具体的修改思路和代码示例：

核心修改思路 #

• 扩展回归模型公式：在原线性模型基础上，添加x和y的二次项（x²、y²）以及两者的交互项（x*y），让模型具备拟合曲面的能力。
• 两种常见的模型写法：
  1. 直接用I()包裹二次项（I(x^2)），明确表示原始平方项，适合直观理解；
  2. 用poly()函数生成多项式项，更简洁，还能选择正交多项式（默认）或原始多项式（raw=TRUE）。

修改后的完整代码 #

library(scatterplot3d)
library(plot3D)
library(readxl)

RoomA <- read_excel("Data_without_outlier_RoomA.xlsx")
# x, y, z variables
x <- RoomA$Ammonia
y <- RoomA$Ventilation
z <- RoomA$Emissions

# 方法1：直接添加二次项和交互项（直观写法）
fit <- lm(z ~ x + y + I(x^2) + I(y^2) + x:y)

# 方法2：用poly函数生成二次多项式（更简洁，raw=TRUE表示用原始多项式）
# fit <- lm(z ~ poly(x, 2, raw=TRUE) + poly(y, 2, raw=TRUE) + x:y)

# predict values on regular xy grid（这部分基本不用改）
grid.lines = 25
x.pred <- seq(min(x), max(x), length.out = grid.lines)
y.pred <- seq(min(y), max(y), length.out = grid.lines)
xy <- expand.grid( x = x.pred, y = y.pred)
z.pred <- matrix(predict(fit, newdata = xy), nrow = grid.lines, ncol = grid.lines)

# fitted points for droplines to surface
fitpoints <- predict(fit)

# scatter plot with regression surface（surf参数直接用新的z.pred即可）
scatter3D(x, y, z, pch = 20, cex = 1.5, theta = 320, phi = 25, 
          ticktype = "detailed", xlab = "", ylab = "", zlab = "", 
          surf = list(x = x.pred, y = y.pred, z = z.pred, facets = NA), 
          main = "Room A - Quadratic Surface Regression")

额外说明 #

• 如果你尝试后觉得二次曲面还不够贴合数据，可以尝试更高次的多项式（比如三次项），但要注意过拟合问题，建议用R²、调整R²或者交叉验证来评估模型效果。
• 除了多项式回归，你也可以尝试其他非线性模型（比如样条回归），不过多项式回归是最容易上手的曲面拟合方式。

内容的提问来源于stack exchange，提问作者gwang gon Jo