# Zadanie 3) Dla danych z pliku test_regresji.csv dopasować krzywą obrazującą
# zależność y od x poprzez model regresji (parametrycznej) wielomianem stopnia 2. Narysować wykres.

dane = read.csv2("test_regresji.csv")
attach(dane)
plot(x,y)
reg4 = nls(y~a*x^2+b*x+d, start=list(a=0, b=0, d=0))
summary(reg4)
ndane = data.frame(x = seq(min(x), max(x), length = 300))
lines(ndane$x, predict(reg4, ndane), lwd = 2, col = "red")
detach(dane)

# Zadanie 4) Dla powyższych danych dopasować krzywą metodą regresji lokalnie wielomianowej,
# z użyciem domyślnych opcji, a następnie zaobserwować wpływ parametrów
# sterujących (span i degree) na sposób dopasowania. Narysować odpowiednie wykresy.

dane = read.csv2("test_regresji.csv")
attach(dane)

reg8 = loess(y~x)
summary(reg8)

plot(x, y)
ndane = data.frame(x = seq(min(x), max(x), length = 300))
lines(ndane$x, predict(reg8, ndane), lwd = 2, col = "green")
lines(ndane$x, predict(loess(y~x, span = 0.4, degree = 2), ndane), lwd = 2, col = "blue")
lines(ndane$x, predict(loess(y~x, span = 0.8, degree = 1), ndane), lwd = 2, col = "violet")

detach(dane)

# Zadanie 5) Dla tych samych danych dopasować krzywą metodą gładkich funkcji
# sklejanych z użyciem domyślnych opcji. Następnie zaobserwować wpływ parametru
# spar na sposób dopasowania. Narysować odpowiednie wykresy.

dane = read.csv2("test_regresji.csv")
attach(dane)

reg9 = smooth.spline(x, y)
print(reg9)
plot(x, y)
lines(predict(reg9, x = seq(min(x), max(x), length = 400)), lwd = 2, col = "red")

reg10 = smooth.spline(x, y, spar = 0)
lines(predict(reg10, x = seq(min(x), max(x), length = 400)), lwd = 2, col = "blue")
print(reg10)

reg11 = smooth.spline(x, y, spar = 1)
lines(predict(reg11, x = seq(min(x), max(x), length = 400)), lwd = 2, col = "brown")
#praktycznie to samo, co regresja liniowa
print(reg11)


detach(dane)