![r语言脚本前的[1]表示什么](/aiimages/r%E8%AF%AD%E8%A8%80%E8%84%9A%E6%9C%AC%E5%89%8D%E7%9A%84%5B1%5D%E8%A1%A8%E7%A4%BA%E4%BB%80%E4%B9%88.png)
final String user = "store"
final String password = "store_password"
Class.forName("oracle.jdbc.driver.OracleDriver")
Connection con = DriverManager.getConnection(url, user, password)
return con
}
局部多项式回归拟合是对两维散点图进行平滑的常用方法，它结合了传统线性回归的简洁性和非线性回归的灵活性。当要估计某个响应变量值时，先从其预测变量附近取一个数据子集，然后对该子集进行线性回归或二次回归，回归时采用加权最小二乘法，即越靠近估计点的值其权重越大，最后利用得到的局部回归模型来估计响应变量的值。用这种方法进行逐点运算得到整条拟合曲线。在R语言中进行局部多项式回归拟合是利用loess函数，我们以cars数据集做为例子来看下使用方法。该数据中speed表示行驶速度，dist表示刹车距离。用loess来建立模型时重要的两个参数是span和degree，span表示数据子集的获取范围，取值越大则数据子集越多，曲线越为平滑。degree表示局部回归中的阶数，1表示线性回归，2表示二次回归，也可以取0，此时曲线退化为简单移动平均线。这里我们设span取0.4和0.8，从下图可见取值0.8的蓝色线条较为平滑。
------------------------
plot(cars,pch=19)
model1=loess(dist~speed,data=cars,span=0.4)
lines(cars$speed,model1$fit,col='red',lty=2,lwd=2)
model2=loess(dist~speed,data=cars,span=0.8)
lines(cars$speed,model2$fit,col='blue',lty=2,lwd=2)
------------------------
当模型建立后，也可以类似线性回归那样进行预测和残差分析
------------------------
x=5:25
predict(model2,data.frame(speed=x))
plot(model2$resid~model2$fit)
------------------------
R语言中另一个类似的函数是lowess，它在绘图上比较方便，但在功能上不如loess强大和灵活。
------------------------
plot(cars,pch=19)
lines(lowess(cars),lty=2,lwd=2)
------------------------
LOESS的优势是并不需要确定具体的函数形式，而是让数据自己来说话，其缺点在于需要大量的数据和运算能力。LOESS作为一种平滑技术，其目的是为了探寻响应变量和预测变量之间的关系，所以LOESS更被看作一种数据探索方法，而不是作为最终的结论。
plot(cars)
Error in RStudioGD() : Shadow graphics device error: r error 4 (R code execution error) In addition: Warning message: In grDevices:::png("/tmp/RtmpEdEj7l/642098b8481c4db7820081c92f4117e7.png", : unable to open connection to X11 display ''
不存在Rtmp2V4tnY文件夹。
windows用户：进入C:\Users\ADMINI~1\AppData\Local\Temp（可能不同的电脑略有差异），新建文件夹Rtmp2V4tnY即可。非常66666！
https://www.jianshu.com/p/f5df64685539
