> library(ggplot2) > library(ggpubr) > > # 创建一个示例数据集 > predicted <- c(17.65138, 25.20848, 35.84161, 43.60831, 49.49514, 53.97651, 57.38967, 66.16531) > actual <- c(14.6313, 20.18572, 28.97064, 35.23582, 40.41306, 44.54261, 47.12309, 69.51883) > data <- data.frame(predicted, actual) > > # 计算相关系数 R2 > r2 <- cor(predicted, actual)^2 > > # 绘制拟合图并添加相关系数 R2 > ggplot(data, aes(x=predicted, y=actual)) + + geom_point() + + geom_smooth(method="lm", se=FALSE) + + stat_cor(label = paste0("R2 = ", round(r2, 2)), + label.x = 3, label.y = 4.5) + + labs(title="Predicted vs Actual", x="Predicted", y="Actual") Error in stat_cor(label = paste0("R2 = ", round(r2, 2)), label.x = 3, : 参数1有多个与之相对应的正式参数

这个错误是因为 `ggpubr` 包中的 `stat_cor()` 函数与 `ggplot2` 包中的 `stat_cor()` 函数参数有所不同，所以在调用时出现了问题。解决这个问题的方法是在调用 `ggpubr` 中的 `stat_cor()` 函数时，明确指定使用 `ggpubr` 包中的函数，而不是使用 `ggplot2` 包中的函数。你可以将代码修改为：

ggplot(data, aes(x=predicted, y=actual)) + 
  geom_point() + 
  geom_smooth(method="lm", se=FALSE) + 
  ggpubr::stat_cor(label = paste0("R2 = ", round(r2, 2)), 
                   label.x = 3, label.y = 4.5) +
  labs(title="Predicted vs Actual", x="Predicted", y="Actual")

这样就可以避免参数不匹配的问题了。

相关问题

报错：> predicted <- predict(model_2, newdata = new_data, type = "response") Error in eval(predvars, data, env) : object 'RH' not found

非常抱歉，之前的代码有误。错误提示说明在预测过程中找不到变量'RH'。

要确保预测过程中使用的新数据框`new_data`中包含模型训练时使用的所有预测变量。请确认在创建`new_data`时是否包含了所有必要的预测变量。

以下是修正后的代码示例：

# 假设你的模型命名为model_2，包含预测变量TV07和RH

# 安装并加载visreg包
install.packages("visreg")
library(visreg)

# 创建一个包含TV07和RH的新数据框
new_data <- data.frame(TV07 = seq(min(df$TV07), max(df$TV07), length.out = 100),
                      RH = seq(min(df$RH), max(df$RH), length.out = 100))

# 预测TV07的效应
predicted <- predict(model_2, newdata = new_data, type = "response")

# 绘制TV07变量的效应图
plot(new_data$TV07, predicted, type = "l", xlab = "TV07", ylab = "All.cause", main = "Effect of TV07 on All.cause")

在上述代码中，我们假设模型`model_2`中有两个预测变量，即TV07和RH。我们创建一个新的数据框`new_data`，其中包含了TV07和RH两个变量，并使用与原始数据中相同的范围和长度生成序列。然后，我们使用`predict()`函数预测TV07的效应，并将结果存储在`predicted`向量中。最后，我们使用`plot()`函数绘制TV07变量的效应图。

请注意，你需要根据你的实际模型和数据框进行相应的修改。

非常抱歉之前的错误带来了不便。希望这次的回答能够满足你的需求。如果你有任何其他问题，请随时提问。

基于以下R代码：library(glmnet) library(ggplot2) # 生成5030的随机数据和30个变量 set.seed(1111) n <- 50 p <- 30 X <- matrix(runif(n * p), n, p) y <- rnorm(n) # 生成三组不同系数的线性模型 beta1 <- c(rep(1, 3), rep(0, p - 3)) beta2 <- c(rep(0, 10), rep(1, 3), rep(0, p - 13)) beta3 <- c(rep(0, 20), rep(1, 3), rep(0, p - 23)) y1 <- X %% beta1 + rnorm(n) y2 <- X %% beta2 + rnorm(n) y3 <- X %*% beta3 + rnorm(n)，每个线性模型组，均进行交叉验证，并以par(3,2)的规格分别画出每组在进行交叉验证时，基于不同的$\lambda$的线性回归的CV error图和岭回归下的Prediction error图（图中仅需要有一根线平滑地连接每一个点即可，不需要最优$\lambda$取值线为的多余线段，所有画图过程用plot实现）

以下是代码实现：

# 引入包
library(glmnet)
library(ggplot2)

# 生成数据
set.seed(1111)
n <- 50
p <- 30
X <- matrix(runif(n * p), n, p)
y <- rnorm(n)

# 生成三组不同系数的线性模型
beta1 <- c(rep(1, 3), rep(0, p - 3))
beta2 <- c(rep(0, 10), rep(1, 3), rep(0, p - 13))
beta3 <- c(rep(0, 20), rep(1, 3), rep(0, p - 23))
y1 <- X %*% beta1 + rnorm(n)
y2 <- X %*% beta2 + rnorm(n)
y3 <- X %*% beta3 + rnorm(n)

# 交叉验证和岭回归下的CV error和Prediction error图
par(mfrow = c(3, 2))

# 第一组
cv1 <- cv.glmnet(X, y1)
plot(cv1$lambda, cv1$cvm, type = "l", xlab = "lambda", ylab = "CV error")
pred1 <- predict(cv1, newx = X, s = "lambda.min")
plot(y1, pred1, pch = 20, xlab = "y", ylab = "Predicted y", main = "Prediction error")

# 第二组
cv2 <- cv.glmnet(X, y2)
plot(cv2$lambda, cv2$cvm, type = "l", xlab = "lambda", ylab = "CV error")
pred2 <- predict(cv2, newx = X, s = "lambda.min")
plot(y2, pred2, pch = 20, xlab = "y", ylab = "Predicted y", main = "Prediction error")

# 第三组
cv3 <- cv.glmnet(X, y3)
plot(cv3$lambda, cv3$cvm, type = "l", xlab = "lambda", ylab = "CV error")
pred3 <- predict(cv3, newx = X, s = "lambda.min")
plot(y3, pred3, pch = 20, xlab = "y", ylab = "Predicted y", main = "Prediction error")

注意：以上示例程序仅供参考，实际应用中还需要考虑细节问题，如图形美观、字体大小等。