Ajuste curvas no lineales a sus datos para capturar tendencias complejas.
Data Submission
Matrix Math
(XᵀX)β = Xᵀy
Using the normal equations to solve for the coefficients of the polynomial that minimizes the sum of squared residuals.
Análisis de regresión
Bondad de ajuste (R²)0.997499.7% of variance explained
Ecuación del modelo
y = 4.400 - 3.386x + 1.214x^2
Perfil del modeloQuadratic
Volumen de muestra5Pairs
Least Squares Optimization Active
Overview
La regresión polinómica ajusta una relación no lineal entre el valor de x y la media condicional correspondiente de y. Es útil cuando los datos muestran tendencias curvas que la regresión lineal simple no puede capturar.
💡
Pro Tips
Comience con un pedido bajo (1 o 2). Sólo increméntelo si la tendencia es claramente más compleja.
Tenga cuidado con el 'fenómeno de Runge': los polinomios de alto orden pueden oscilar violentamente en los bordes de sus datos.
Consulta el valor R²: te indica qué porcentaje de la varianza de los datos explica el modelo.
!
Fun Facts
"Un polinomio de orden 1 es exactamente lo mismo que una regresión lineal simple."
"A medida que aumenta el orden, el modelo puede adaptarse a formas más complejas, pero aumenta el riesgo de \\\"sobreajuste\\\"."
"La optimización de mínimos cuadrados se utiliza para encontrar los coeficientes que minimizan la distancia desde cada punto a la curva."
