You need to enable JavaScript to run this app. 基于已拟合2次多项式模型通过Y值反推caliber(X)值的方法
优惠活动
大模型
产品
解决方案
定价
更多

基于已拟合2次多项式模型通过Y值反推caliber(X)值的方法

数据集与问题说明

已知校准数据集dataset1结构如下:

dataset1 = data.frame(
caliber = c("5000", "2500", "1250", "625", "312.5", "156", "80", "40", "20", "0"),
var1 = c(NA, NA, NA, 30458, 13740,11261, 9729, 5039, 3343, 367),
var2 = c(463000, 271903, 154611,87204, 47228, 28082, 14842, 8474, 5121, 1308),
var3 = c(308385, 184863, 89719, 48986, 27968, 18557, 9191, 5248, 3210, 703), 
var4 = c(290159, 149061, 64045, 36864, 19092, 12515, 6805, 3933, 2339, 574), 
var5 = c(270801, 163657, 51642, 48197, 23582, 14544, 7877, 4389, 2663, 482), 
var6 = c(NA, NA, NA, 37316, 21305, 11823, 5692, 3070, 1781, 363)
)

caliber与各观测变量的定量关系为二次多项式形式:var = poly(caliber, 2, raw=T)。
拟合效果示意图

核心需求

待推算数据集dataset2中所有样本的caliber列均为缺失值,仅已知var1-var6的观测值,需要通过校准集的多项式关系反推caliber取值。dataset2结构如下:

dataset2 = data.frame(
caliber = c(NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA),
var1 = c(1120, 1296, 1132, 1280, 1096, 1124, 1004, 8384, 1072, 1104, 1568, 1044, 1108, 1012),
var2 = c(5044, 4924, 5088, 4804, 4824, 4844, 4964, 4788, 4804, 4964, 4824, 4788, 4844, 4944),
var3 = c(2836, 2744, 2744, 2668, 2688, 2940, 2756, 2720, 2668, 2892, 2636, 2700, 2836, 2668),
var4 = c(8872, 61580, 3036, 4468, 12132, 3000, 7920, 6868, 6896, 9392, 4728, 6896, 21076, 3228),
var5 = c(2312, 4236, 1928, 4448, 2388, 2108, 3644, 3060, 2168, 1912, 1812, 3528, 4100, 2176),
var6 = c(1156, 1228, 1224, 1364, 1128, 1176, 1184, 1640, 1188, 1300, 1332, 1176, 1176, 1152)
)

已查阅的参考内容

  • predict x values from simple fitting and annoting it in the plot
  • Predict X value from Y value with a fitted model
  • get x-value given y-value: general root finding for linear / non-linear interpolation function
  • aproxfun function from binsmooth package, find x from y value

遇到的具体报错

问题1:approx插值返回NA

执行以下代码时,formula$caliber不存在,导致插值结果异常:

formula <- lm(var2~poly(caliber,2,raw=T), dataset1)
approx(x = formula$fitted, y = formula$caliber, xout = 0)$y

问题2:predict预测报错

执行以下代码时触发对象缺失错误:

mod<-lm(var2~poly(caliber, 2, raw=T), data=dataset1)
summary(mod)
newdata=data.frame("var2"=dataset2[1:24,c("var2")])
pred<-predict(mod,newdata, type = 'response')

Error in poly(caliber, 2, coefs = list(alpha = c(998.35, 3691.21383929929 :object 'caliber' not found
同时存在predict预测失败、数据集行数不匹配、插值结果错误的问题。


可运行解决方案

步骤1:修正数据格式

校准集中caliber为字符型,需转为数值型避免拟合异常:

dataset1$caliber <- as.numeric(dataset1$caliber)

步骤2:批量拟合多项式模型

对var1-var6分别拟合raw形式的二次多项式,存储模型系数:

var_names <- paste0("var", 1:6)
# 剔除NA值后拟合模型
model_list <- lapply(var_names, function(v) {
  lm(as.formula(paste0(v, " ~ poly(caliber, 2, raw = TRUE)")), 
     data = dataset1, 
     na.action = na.omit)
})
names(model_list) <- var_names

步骤3:编写反向求解函数

二次多项式的标准形式为y = a + b*x + c*x²,整理为一元二次方程c*x² + b*x + (a - y) = 0,代入求根公式求解caliber(即x),并筛选在合理取值范围(0-5000)内的有效解:

reverse_caliber <- function(y, fit_mod, calib_min = 0, calib_max = 5000) {
  mod_coef <- coef(fit_mod)
  intercept <- mod_coef[1]
  coef_linear <- mod_coef[2]
  coef_quad <- mod_coef[3]
  # 计算判别式
  discriminant <- coef_linear^2 - 4*coef_quad*(intercept - y)
  if(discriminant < 0) return(NA)
  # 计算两个实根
  root1 <- (-coef_linear + sqrt(discriminant))/(2*coef_quad)
  root2 <- (-coef_linear - sqrt(discriminant))/(2*coef_quad)
  # 筛选有效范围内的根
  valid_roots <- c(root1, root2)[c(root1, root2) >= calib_min & c(root1, root2) <= calib_max]
  if(length(valid_roots) == 0) return(NA)
  return(valid_roots[1])
}

步骤4:批量计算dataset2的caliber值

对每个样本遍历所有可用变量的观测值,分别求解caliber后取均值,得到最终推算结果:

dataset2$caliber <- apply(dataset2, 1, function(single_row) {
  calib_vals <- c()
  for(v in var_names) {
    obs_y <- as.numeric(single_row[v])
    if(!is.na(obs_y)) {
      calib_vals <- c(calib_vals, reverse_caliber(obs_y, model_list[[v]]))
    }
  }
  mean(calib_vals, na.rm = TRUE)
})

报错根因说明

  1. approx返回NA的原因:lm对象不会自动存储原始数据集的caliber字段,且拟合过程中因NA值剔除了部分行,直接引用formula$caliber会出现对象不存在、长度不匹配的问题。
  2. predict报错的原因:模型的自变量是caliber,传入的newdata仅包含var2列,没有模型要求的caliber字段,poly函数匹配预计算系数时找不到caliber对象,因此触发报错。

内容的提问来源于stack exchange,提问作者Henrique

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.12 06:15:02