R - Penambahan Nonlinear Terkecil: Panduan Pemula

Hai, para pemrogram R masa depan! Hari ini, kita akan memulai perjalanan menarik ke dunia Penambahan Nonlinear Terkecil (NLS) di R. Jangan khawatir jika istilah ini terdengar menakutkan - pada akhir panduan ini, Anda akan dapat bekerja dengan Percaya diri menggunakan konsep ini. Mari kita masuk ke dalamnya!

Apa Itu Penambahan Nonlinear Terkecil?

Sebelum kita melompat ke hal-hal spesifik R, mari kita pahami apa itu Penambahan Nonlinear Terkecil (NLS). Bayangkan Anda mencoba menyesuaikan kurva ke beberapa titik data, tapi hubungan itu bukan garis lurus. Itu di mana NLS berguna! Ini adalah metode yang digunakan untuk menemukan penyesuaian terbaik untuk model nonlinear ke data Anda.

Memulai Dengan R

Jika Anda belum melakukan ini, pastikan Anda telah menginstal R di komputer Anda. Buka lingkungan R Anda, dan mari kita mulai petualangan NLS!

Sintaksis Untuk Penambahan Nonlinear Terkecil di R

Dalam R, kita menggunakan fungsi nls() untuk melakukan penyesuaian Penambahan Nonlinear Terkecil. Ini adalah sintaksis dasar:

nls(formula, data, start, ...)

Mari kita rinci ini:

• formula: Ini adalah tempat Anda menentukan model nonlinear Anda.
• data: Dataset yang Anda kerjakan.
• start: Tebakan awal untuk parameter dalam model Anda.
• ...: Argumen tambahan (kita akan melihat beberapa contoh nanti).

Contoh Sederhana: Pertumbuhan Eksponensial

Mari kita mulai dengan contoh sederhana pertumbuhan eksponensial. Bayangkan Anda mempelajari pertumbuhan populasi bakteri di piringan petri.

Langkah 1: Buat Beberapa Data

Pertama, mari kita buat beberapa data contoh:

time <- seq(0, 10, by = 0.1)
population <- 100 * exp(0.2 * time) + rnorm(length(time), mean = 0, sd = 10)
data <- data.frame(time, population)

Di sini, kita membuat urutan waktu dari 0 ke 10, dan menghitung populasi menggunakan model pertumbuhan eksponensial dengan sedikit noise acak.

Langkah 2: Plot Data

Mari kita visualisasikan data kita:

plot(data$time, data$population, main = "Pertumbuhan Bakteri", xlab = "Waktu", ylab = "Populasi")

Ini akan memberikan Anda scatter plot dari titik data Anda.

Langkah 3: Sesuaikan Model

Sekarang, mari kita gunakan nls() untuk menyesuaikan model eksponensial kita:

model <- nls(population ~ a * exp(b * time), data = data, start = list(a = 100, b = 0.2))

Ini adalah apa yang terjadi:

• population ~ a * exp(b * time) adalah formula kita
• data = data menentukan dataset kita
• start = list(a = 100, b = 0.2) menyediakan tebakan awal untuk parameter kita

Langkah 4: Periksa Hasil

Mari kita lihat ringkasan model kita:

summary(model)

Ini akan memberikan Anda informasi detil tentang penyesuaian, termasuk parameter yang diestimasi dan kesalahan standar mereka.

Langkah 5: Plot Kurva yang Disesuaikan

Akhirnya, mari kita tambahkan kurva yang disesuaikan ke plot:

plot(data$time, data$population, main = "Pertumbuhan Bakteri dengan Kurva yang Disesuaikan", xlab = "Waktu", ylab = "Populasi")
lines(data$time, predict(model), col = "red")

Sekarang Anda dapat melihat betapa baik model Anda menyesuaikan data!

Contoh Lanjut: Kimia Michaelis-Menten

Mari kita tingkatkan dengan contoh yang lebih kompleks dari kinetika enzim. Persamaan Michaelis-Menten adalah model fundamental dalam biokimia.

Langkah 1: Buat Data

substrate <- seq(0, 5, by = 0.1)
rate <- (10 * substrate) / (1 + substrate) + rnorm(length(substrate), mean = 0, sd = 0.1)
data <- data.frame(substrate, rate)

Langkah 2: Plot Data

plot(data$substrate, data$rate, main = "Kinetika Enzim", xlab = "Konsentrasi Substrat", ylab = "Tingkat Reaksi")

Langkah 3: Sesuaikan Model

mm_model <- nls(rate ~ (Vmax * substrate) / (Km + substrate), data = data, start = list(Vmax = 10, Km = 1))

Langkah 4: Periksa Hasil

summary(mm_model)

Langkah 5: Plot Kurva yang Disesuaikan

plot(data$substrate, data$rate, main = "Kinetika Enzim dengan Kurva yang Disesuaikan", xlab = "Konsentrasi Substrat", ylab = "Tingkat Reaksi")
lines(data$substrate, predict(mm_model), col = "red")

Fungsi NLS Umum di R

Berikut adalah tabel fungsi yang biasa digunakan terkait NLS di R:

Fungsi	Deskripsi
nls()	Menyesuaikan model nonlinear
summary()	Menyediakan ringkasan model NLS
predict()	Membuat prediksi menggunakan model yang disesuaikan
coef()	Mengambil koefisien dari model
residuals()	Mengambil residu dari model
confint()	Menghitung interval kepercayaan untuk parameter

Kesimpulan

Selamat! Anda telah mengambil langkah pertama ke dunia Penambahan Nonlinear Terkecil di R. Ingat, latihan membuat sempurna, jadi jangan khawatir untuk mencoba dengan dataset dan model yang berbeda.

Sebagai Anda terus melanjutkan perjalanan R Anda, Anda akan menemukan bahwa NLS adalah alat yang kuat dalam kitab analisis data Anda. Itu seperti memiliki pisau Swiss untuk penyesuaian kurva - multifungsi dan sangat berguna saat Anda memerlukannya.

Terus coding, terus belajar, dan terutama, bersenang-senang dengan R!

Credits: Image by storyset