局部多项式回归拟合是平滑二维散点图的常用方法，结合了传统线性回归的简洁性和非线性回归的灵活性。 当估计某一响应变量的值时，首先从该预测变量的邻域中取数据的子集，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。 也就是说，越接近推测点的值权重就越大，使用最后得到的局部回归模型推测响应变量的值。 用该方法进行逐步运算得到整个拟合曲线。 用r语言进行局部多项式回归拟合是利用loess函数，以cars数据集为例来看看使用方法。 在该数据中，speed表示行驶速度，dist表示刹车距离。 在loess中创建模型时，两个重要参数是span和degree，span表示数据子集的范围，值越大，数据子集越多，曲线越平滑。 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，可以取0，在此情况下曲线退化到简单移动平均线。 这里，将span设为0.4和0.8。 从下图中可以看到，值为0.8的蓝色线是平滑的。 --------------------plot (cars，pch=19 ) model1=loess(dist(speed，data ) cars，) lwd=2) model2=loess (dist至speed，data=cars，span=0.8 ) lines ) cars$speed，model2$fit，col='blue '，lt data.frame(speed=x ) ) ) plot ) lwd=2) LOESS作为一种平滑技术，其目的是探索响应变量和预测变量的关系，因此LOESS被视为数据搜索方法而不是最终结论。