ggplot(calvarbyruno.1, aes(y = PAR, x = Nominal, weight=Nominal^calweight)) + geom_smooth(method = "lm") + geom_smooth(method = "lm", formula = y ~ poly(x, 2), colour = "red") + geom_point() + coord_flip() #回归分析

polyfit函数的数学基础是最小二乘法曲线拟合原理，所得到的函数值在基点处的值与原来点的坐标偏差最小，常用于数据拟合。

geom="smooth" 绘制平滑曲线(基于loess, gam, lm ,rlm,glm)...但是这样做就会导致无法观察到随时间变化的趋势了

method=“loess“：（局域回归模型）对于较小数据集的默认平滑算法，平滑程度由span参数来进行设定。span=0时线较为弯曲，span=1时最为平缓。由于算法复杂度的原因，对于大的数据集loess并不是十分适用。

method="gam"：（广义可加模型）当数据点大于1000时，这是默认的平滑算法。

method="lm":用于线性模型。默认为一条直线，也可以用formula=y~poly(x,2)设置为二次函数拟合，或者加载splines包用formula=y~ns(x,2),第二个参数表示自由度，自由度越高拟合曲线也就越弯曲

#拟合博文：

http://blog.csdn.net/pyramidnail/article/details/8035583

http://www.douban.com/note/210758237/

c <- ggplot(mtcars, aes(qsec, wt))

c + stat_smooth() 

R2：判定系数。y 的估计值与实际值之比，范围在 0 到 1 之间。如果为 1，则样本有很好的相关性，y 的估计值与实际值之间没有差别。相反，如果判定系数为 
0，则回归公式不能用来预测 y 值。有关如何计算 r2 的信息，请参阅本主题下文中的“说明”。