r - 如何为smooth.spline()选择平滑参数？

我知道平滑参数(lambda)对于拟合平滑样条曲线非常重要，但是我在这里没有看到有关如何选择合理的lambda(spar =？)的任何文章，有人告诉我spar通常在0到1的范围内。当使用smooth.spline()时，谁能分享您的经验？谢谢。

    smooth.spline(x, y = NULL, w = NULL, df, spar = NULL,
          cv = FALSE, all.knots = FALSE, nknots = NULL,
          keep.data = TRUE, df.offset = 0, penalty = 1,
          control.spar = list(), tol = 1e-6 * IQR(x))

最佳答案

agstudy提供了一种可视的方式来选择spar。我记得我从线性模型类中学到的(但不完全是)是使用交叉验证来选择“最佳” spar。这是从agstudy借来的一个玩具示例:

x = seq(1:18)
y = c(1:3,5,4,7:3,2*(2:5),rep(10,4))
splineres <- function(spar){
  res <- rep(0, length(x))
  for (i in 1:length(x)){
    mod <- smooth.spline(x[-i], y[-i], spar = spar)
    res[i] <- predict(mod, x[i])$y - y[i]
  }
  return(sum(res^2))
}

spars <- seq(0, 1.5, by = 0.001)
ss <- rep(0, length(spars))
for (i in 1:length(spars)){
  ss[i] <- splineres(spars[i])
}
plot(spars, ss, 'l', xlab = 'spar', ylab = 'Cross Validation Residual Sum of Squares' , main = 'CV RSS vs Spar')
spars[which.min(ss)]
R > spars[which.min(ss)]
[1] 0.381

代码不是最整洁的，但是很容易理解。另外，如果您在cv=T中指定smooth.spline:

R > xyspline <- smooth.spline(x, y, cv=T)
R > xyspline$spar
[1] 0.3881