Vorhersage von nichtlinearen kleinsten Quadraten Passt in R

Question

Ich versuche, einige Koeffizienten mit nls und einige grundlegende Daten zu erhalten, um rssi in der Entfernung zu transformieren.

Bis jetzt konnte ich die Anpassung von 'nls' Funktion bekommen, aber ich kann nicht die 'Vorhersage' Funktion verwenden, um zu sehen, ob die Anpassung korrekt ist. Vielleicht bin ich Missverständnis nur etwas ....

Das ist mein Code:

ydata = c(0.25, 0.5, 0.75, 1, 1.25, 1.5, 1.75, 2) 
xdata = c(-57, -57, -60, -65, -66, -68, -70, -73) 
xdataratio <- sapply(xdata, function(e){return(e/-59)}) 

plot(ydata, xdata, pch=19) 

p1 = 0.1 
p2 = 1 
p3 = 1 

nlsFunction <- function(x, a, b, c) { a * 10^(b*x + c)} 
propModel <- function(rssi, a, b, c) {(log(rssi/a) - c)/b} 
powerFunction <- function(x, b0, b1, b2) {b0 + b1*(x^b2)} 

fit = nls(ydata ~ powerFunction(xdataratio, p1, p2, p3), start=list(p1=p1, p2=p2, p3=p3)) 

summary(fit) 

new = data.frame(xdata = seq(min(xdata), max(xdata), len=200))  
lines(new$xdata, predict(fit, newdata=new)) 

Aber in der letzten Zeile, erhalte ich einen Logikfehler:

Fehler in xy.coords (x, y, xlabel, ylabel, log): 'x' und 'y' Längen unterscheiden

das Problem ist, dass die vorhersagen Funktion nur 8 Ergebnisse zurückkehrt, während die neue $ xdata der Länge 200 ist. Jede hel Verwenden oder verstehen Sie die Vorhersagefunktion in diesem Szenario?

Bearbeiten: Ich habe den Code zu diesem wie vorgeschlagen geändert (vielleicht habe ich es falsch verstanden ..). Jetzt ist das Problem, dass die Vorhersage immer NAN-Werte zurückgibt.

ydata = c(0.25, 0.5, 0.75, 1, 1.25, 1.5, 1.75, 2) 
xdata = c(-57, -57, -60, -65, -66, -68, -70, -73) 
xdataratio <- xdata/-59 

data = data.frame(ydata=ydata, xdata=xdataratio) 

plot(ydata, xdata, pch=19) 

p1 = 0 
p2 = 1 
p3 = 2 

powerFunction <- function(x, b0, b1, b2) {b0 + b1*(x^b2)} 

new = data.frame(xdata = seq(min(xdata), max(xdata), len=200)) 
fit = nls(ydata ~ powerFunction(xdata, p1, p2, p3), start=list(p1=p1, p2=p2, p3=p3), data=data, trace=T) 
lines(new$xdata, predict(fit, newdata=new)) 

Arbeiten

Dies ist der letzte Arbeitscode. Das Problem war mit den Daten in neu (ich verwendete nicht den gleichen Datentyp)

ydata = c(0.25, 0.5, 0.75, 1, 1.25, 1.5, 1.75, 2) 
xdata = c(-57, -57, -60, -65, -66, -68, -70, -73) 
xdataratio <- xdata/-59 #sapply(xdata, function(e){return(e/-59)}) 

data = data.frame(xdata=xdataratio) 

plot(ydata, xdata, pch=19) 

p1 = 0 
p2 = 1 
p3 = 2 

powerFunction <- function(x, b0, b1, b2) {b0 + b1*(x^b2)} 

new = data.frame(xdata = seq(min(xdata), max(xdata), len=200)/-59) 
fit = nls(ydata ~ powerFunction(xdata, p1, p2, p3), start=list(p1=p1, p2=p2, p3=p3), data=data, trace=T) 

summary(fit) 

plot(type="lines",new$xdata, predict(fit, newdata=new)) 

Answer 1

Dies ist der endgültige Arbeitscode. Das Problem war, mit den Daten in neue (ich nicht gleiche Art von Daten verwendet wurde)

ydata = c(0.25, 0.5, 0.75, 1, 1.25, 1.5, 1.75, 2) 
xdata = c(-57, -57, -60, -65, -66, -68, -70, -73) 
xdataratio <- xdata/-59 #sapply(xdata, function(e){return(e/-59)}) 

data = data.frame(xdata=xdataratio) 

plot(ydata, xdata, pch=19) 

p1 = 0 
p2 = 1 
p3 = 2 

powerFunction <- function(x, b0, b1, b2) {b0 + b1*(x^b2)} 

new = data.frame(xdata = seq(min(xdata), max(xdata), len=200)/-59) 
fit = nls(ydata ~ powerFunction(xdata, p1, p2, p3), start=list(p1=p1, p2=p2, p3=p3), data=data, trace=T) 

summary(fit) 

plot(type="lines",new$xdata, predict(fit, newdata=new)) 

Wie @Roland hingewiesen, diese Handlung scheint besser:

plot(distance ~ ratio, pch=19, data=data) 
curve(predict(fit, newdata = data.frame(ratio = x)), add=TRUE)