该k论点有效地为每个术语设置了平滑矩阵的维数。gam()正在使用 GCV 或 UBRE 分数来选择最佳平滑度，但它只能在平滑矩阵的维数内工作。默认情况下，te()平滑k = 5^2适用于 2d 表面。我忘记了它的用途，s()所以检查文件。mgcv的作者 Simon Wood 目前的建议是，如果模型选择的平滑度等于或接近于 的值所施加的维数限制k，则应增加k并重新拟合模型以查看从更高维的平滑矩阵中选择更复杂的模型。

但是，我不知道locfit是如何工作的，但是您确实需要一些东西来阻止您安装过于复杂的表面（GCV 和 UBRE，或者如果您选择使用它们，则为 (RE)ML [你不能像你一样set scale = -1]，正试图做到这一点），数据不支持。换句话说，您可以拟合数据的非常局部的特征，但是您是在拟合收集的数据样本中的噪声还是拟合概率分布的平均值？假设您已经整理出基础维度（上图），gam() 可能会告诉您一些关于可以从您的数据中估计的内容。

要注意的另一件事是，您当前使用的平滑器是全局的，因为所选的平滑度应用于整个平滑范围。自适应平滑器可以在响应快速变化的部分数据中使用分配的平滑“余量”。gam()具有使用自适应平滑器的功能。

查看?smooth.terms并?adaptive.smooth查看可以使用gam(). te()可以组合大多数（如果不是全部）这些平滑器（检查可以和不能包含在张量产品中的文档），因此您可以使用自适应平滑器基础来尝试捕获数据部分中更精细的局部尺度反应变化很快。

我应该补充一点，您可以使用和的fx = TRUE参数，让 R 来估计具有平滑项使用的一组固定自由度的模型。基本上，将 k 设置为您想要的，并且只适合固定自由度的回归样条而不是惩罚回归样条。s()te()fx = TRUEgam()

有许多选项可以gam减少摆动：

• 将默认值设置s(..., k = 10)为较小的值。
• 将默认设置s(...,bs = 'tp')为ts。
• 设置gam(..., select = TRUE)。
• 将默认值设置gam(..., gamma = 1)为更大的值。尝试 1 到 2 之间的值。
• 将默认设置s(..., m = 2)为m = 1。
• 强制单调增加/减少曲线。请参阅scam包和其他选项。
• 将一些平滑的预测变量更改+ s(X1)为线性项+ X1。
• 使用更少的预测变量。