问什么时候选择nls()而不是loess()？

EN

如果我有一些(x，y)数据，我可以很容易地画直线通过它，例如

f=glm(y~x)
plot(x,y)
lines(x,f$fitted.values)

但是对于曲线型数据，我想要一条曲线型。看起来loess()可以使用：

f=loess(y~x)
plot(x,y)
lines(x,f$fitted)

这个问题在我打字和研究的过程中不断演变。一开始，我想要一个简单的函数来拟合曲线数据(我对数据一无所知)，并希望了解如何使用nls()或optim()来实现这一点。在我发现的类似问题中，似乎每个人都在暗示这一点。但现在我偶然发现了loess()我很高兴。所以，现在我的问题是，为什么有人会选择使用nls或optim而不是loess (或smooth.spline)？使用工具箱类比，nls是螺丝刀而loess是电动螺丝刀(这意味着我几乎总是选择后者，因为它做同样的事情，但我的努力更少)？或者nls是平头螺丝刀，loess是十字头螺丝刀(这意味着loess更适合解决某些问题，但对于其他问题，它根本不能完成工作)？

作为参考，以下是我使用的播放数据，loess对这些数据提供了令人满意的结果：

x=1:40
y=(sin(x/5)*3)+runif(x)

和：

x=1:40
y=exp(jitter(x,factor=30)^0.5)

遗憾的是，它在这一点上做得不太好：

x=1:400
y=(sin(x/20)*3)+runif(x)

nls()或任何其他函数或库是否可以在不给出提示(即不被告知是正弦波)的情况下同时处理此示例和前面的exp示例？

更新:stackoverflow上关于同一主题的一些有用的页面：

Goodness of fit functions in R

How to fit a smooth curve to my data in R?

smooth.spline“开箱即用”在我的第一个和第三个例子中给出了很好的结果，但在第二个例子中很糟糕(它只是连接了几个点)。然而，f=smooth.spline(x，y，spar=0.5)在这三个方面都很好。

更新#2: gam() (来自mgcv包)到目前为止很棒:它给出了与loess()相似的结果，当它更好的时候，它给出了类似的结果，当它更好的时候，它给出了与smooth.spline()相似的结果。并且全部不需要提示或额外的参数。这些文档对我来说太难了，我感觉自己就像是在盯着一架从头顶飞过的飞机；但我发现了一些试验和错误：

#f=gam(y~x)    #Works just like glm(). I.e. pointless
f=gam(y~s(x)) #This is what you want
plot(x,y)
lines(x,f$fitted)