如何为ggplot绘制的mtcars分面散点图选择最优回归模型拟合方案
适配需求的R包及使用方案
核心可用工具
modelbased+performance(easystats生态,与现有ggplot代码适配度最高)- 内置自动对比逻辑:可对线性、1~3阶多项式、平滑样条、基础贝叶斯回归等候选类型做AIC/BIC/LOOIC性能校验,自动选出拟合最优的回归模型,支持按分组批量计算,完全匹配按cyl分面的场景。
- 安装命令:
install.packages(c("modelbased", "performance")) - 适配现有绘图代码的修改:修正原有坐标轴对应关系(符合
disp ~ drat的公式定义,即x轴为预测变量drat,y轴为响应变量disp),新增自动拟合图层即可:
library(ggplot2) library(modelbased) ggplot(mtcars, aes(drat, disp)) + geom_point() + geom_relation() + # 自动为每个分面选择最优回归类型并生成拟合线 facet_wrap(~cyl)- 若需输出每个分组的最优回归类型、参数、拟合优度,可运行批量计算代码:
library(dplyr) library(performance) library(mgcv) mtcars %>% group_by(cyl) %>% group_modify(~{ # 定义候选回归集合 candidate_mods = list( linear = lm(disp ~ drat, data = .x), poly2 = lm(disp ~ poly(drat, 2), data = .x), poly3 = lm(disp ~ poly(drat, 3), data = .x), gam_smooth = gam(disp ~ s(drat), data = .x) ) # 按AIC排序选最优模型 compare_performance(!!!candidate_mods) %>% arrange(AIC) %>% slice(1) })tidymodels生态(适合需要自定义候选模型的场景)- 可通过
workflowsets自定义候选回归集合(含稳健回归、贝叶斯回归、正则化回归等),通过交叉验证自动选出泛化误差最小的模型,支持批量分组拟合。
- 可通过
brms(适配贝叶斯回归自动选优需求)- 支持通过后验模型权重、LOOIC自动对比不同贝叶斯回归形式的拟合效果,可输出完整的概率推断结果,适合需要对回归结论做不确定性量化的场景。
注意事项
- 原有代码的
aes(disp, drat)对应拟合关系为drat ~ disp,若需严格匹配disp ~ drat的公式定义,需调整aes参数顺序为aes(drat, disp)。 - 自动选优默认以AIC为判断指标,若需侧重泛化能力,可切换为BIC、交叉验证误差等规则调整选优逻辑。
内容的提问来源于stack exchange,提问作者Tiptop
相关产品推荐
相关产品推荐

