如何在R中用平滑样条生成预测？及MSE计算报错排查

1. 错误原因及修正 #

你遇到的错误是因为predict(smooth.spline(...))返回的是列表对象，包含预测的x值（$x）和对应的预测y值（$y），直接用列表和数值向量做减法属于非数值操作，触发报错。

修正代码如下：

# 拟合平滑样条模型
fit_training <- smooth.spline(training_dataset$x, training_dataset$y)

# 预测训练集并提取预测值向量
yhat_training <- predict(fit_training, newx = training_dataset$x)$y

# 计算训练MSE
mean((yhat_training - training_dataset$y)^2)

如果你的X_training_set和y_training_set是单独提取的向量，可改为：

yhat_training <- predict(fit_training, newx = X_training_set)$y
mean((yhat_training - y_training_set)^2)

2. 关于smooth.spline的最优Knots选择 #

R中smooth.spline默认不是直接选择knot的数量，而是通过**广义交叉验证(GCV)**自动选择最优的平滑参数lambda，以此控制样条的平滑程度：

• 默认设置nknots = min(n, 30)（n为样本量），生成固定数量的knots；
• 通过GCV选择最优lambda，该参数会惩罚模型复杂度，最终决定有效自由度（Effective Degrees of Freedom），对应拟合的灵活程度；
• 若需手动指定knot数量，可通过nknots参数设置，例如smooth.spline(x, y, nknots = 15)。

测试集预测示例 #

对测试集进行预测的逻辑与训练集一致：

# 假设test_dataset为你的测试数据集
yhat_test <- predict(fit_training, newx = test_dataset$x)$y
test_mse <- mean((yhat_test - test_dataset$y)^2)

内容的提问来源于stack exchange，提问作者TFT