# 读取数据

　　data=read.csv("artificial-cover.csv")

　　# 查看部分数据

　　head(data)

　　## tree.cover shurb.grass.cover

　　## 1 13.2 16.8

　　## 2 17.2 21.8

　　## 3 45.4 48.8

　　## 4 53.6 58.7

　　## 5 58.5 55.5

　　## 6 63.3 47.2

　　#######先调用spline包

　　library ( splines )

　　###########用lm拟合，主要注意部分是bs(age,knots=c(...))这部分把自变量分成不同部分

　　fit =lm(tree.cover~bs(shurb.grass.cover ,knots =c(25 ,40 ,60) ),data=data )

　　############进行预测，预测数据也要分区

　　pred= predict (fit , newdata =list(shurb.grass.cover =data$shurb.grass.cover),se=T)

　　#############然后画图

　　plot(fit)

　　# 可以构造一个相对复杂的 LOWESS 模型(span参数取小一些)，然后和一个简单的模型比较，如：

　　## `geom_smooth()` using method = 'loess'

　　# 其他数据

　　data=data[,1:4]

　　head(data)

　　## year Soil vegetation SEM

　　## 1 1999 -3.483724 -2.528836 2.681003

　　## 2 1999 -3.452582 -2.418049 2.348640

　　## 3 1999 -3.350827 -2.590552 2.696037

　　## 4 1999 -3.740395 -2.933848 3.627112

　　## 5 1999 -3.465906 -2.694211 2.333755

　　## 6 1999 -3.381802 -2.788154 2.656276

　　#####因变量 Soil

　　#######先调用spline包

　　library ( splines )

　　###########用lm拟合，主要注意部分是bs(age,knots=c(...))这部分把自变量分成不同部分

　　#############然后画图

　　plot(fit)无锡×××医院 https://yyk.familydoctor.com.cn/20612/

　　# 可以构造一个相对复杂的 LOWESS 模型(span参数取小一些)，然后和一个简单的模型比较，如：

　　library(ggplot2)

　　## `geom_smooth()` using method = 'loess'

　　# 总趋势

　　# 按0前后分组

　　#####因变量 SEM

　　#######先调用spline包

　　library ( splines )

　　###########用lm拟合，主要注意部分是bs(age,knots=c(...))这部分把自变量分成不同部分

　　fit =lm(SEM~bs(vegetation ,knots =c(-2 ,0 ,1) ),data=data )

　　############进行预测，预测数据也要分区

　　pred= predict (fit , newdata =list(vegetation =data$vegetation),se=T)

　　#############然后画图

　　plot(fit)

　　# 可以构造一个相对复杂的 LOWESS 模型(span参数取小一些)，然后和一个简单的模型比较，如：

　　x<-data$vegetation

　　y<-data$SEM

　　# 总趋势

　　## `geom_smooth()` using method = 'loess'