曲线拟合：（线性回归方法：lm）1、x排序2、求线性回归方程并赋予一个新变量z=lm(y~x+I(x^2)+...)3、plot(x,y)#做y对x的散点图4、lines(x,fitted(z))#添加拟合值对x的散点图并连线
曲线拟合：（nls）lm是将曲线直线化再做回归，nls是直接拟合曲线。需要三个条件：曲线方程、数据位置、系数的估计值。如果曲线方程比较复杂，可以先命名一个自定义函数。例：f=function(x1, x2, a, b) {a+x1+x2^b} result=nls(x$y~f(x$x1, x$x2, a, b), data=x, start=list(a=1, b=2)) #x可以是数据框或列表，但不能是矩阵#对系数的估计要尽量接近真实值，如果相差太远会报错：“奇异梯度”summary(result) #结果包含对系数的估计和p值根据估计的系数直接在散点图上使用lines加曲线即可。曲线拟合：（局部回归）lowess(x, y=NULL, f = 2/3, iter = 3)#可以只包含x，也可使用x、y两个变量#f为窗宽参数，越大越平滑#iter为迭代次数，越大计算越慢loess(y~x, data, span=0.75, degree=2)#data为包含x、y的数据集；span为窗宽参数#degree默认为二次回归#该方法计算1000个数据点约占10M内存举例：x=seq(0, 10, 0.1)y=sin(x)+rnorm(101)#x的值必须排序plot(x,y) #做散点图lines(lowess(x,y)) #利用lowess做回归曲线lines(x,predict(loess(y~x))) #利用loess做回归曲线，predict是取回归预测值z=loess(y~x)lines(x, z$fit) #利用loess做回归曲线的另一种做法
最初我是在“ A genome-based model for adjusting radiotherapy dose (GARD): a retrospective, cohort-based study ”这篇文章中看到的一个图。
它形似一张提琴图，展示了来自不同类型疾病患者个体的GARD得分的分布，图中红色点代表了中位数。但与常规提琴图不同的地方在于，提琴图中还添加了密度信息，即数值分布更多区域颜色更为明显。尽管提琴图的宽度足以代表数值的分布区间了，颜色的添加使其更为丰富多彩。
本节内容，就让我来讲一下这种“密度提琴图”如何在R中绘制。
其实，如果从提琴图的角度出发，即首先绘制一个提琴图，然后设法在其中标识出密度，则该图是很难实现的。这点我深有体会，好几个人折腾了老半天也没能成功地在提琴图中设置密度颜色。
因此，我们需要换个角度思考该图的绘制方法。设想一下，既然要表示密度，那么首先不妨绘制一个密度分布图观测数据。
有没有什么感触呢？
对的没错，密度提琴图可以视为两张“相反方向”的密度分布图的叠加。因此，我们再绘制一个反方向的。
最后，将两张图组合在一起，就获得密度提琴图了，是不是？
同时，也计算各个变量的中位数，并以红点的形式标注在图中。
这样，密度提琴图就得到了。和常规的提琴图相比，它是不是更漂亮呢？
