Sesuaikan kurva non-linier dengan data Anda untuk menangkap tren yang kompleks.
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.
Analisis Regresi
Kesesuaian (R²)0.997499.7% of variance explained
Persamaan Model
y = 4.400 - 3.386x + 1.214x^2
Profil ModelQuadratic
Volume Sampel5Pairs
Least Squares Optimization Active
Overview
Regresi polinomial cocok dengan hubungan non-linier antara nilai x dan mean kondisional y yang sesuai. Hal ini berguna ketika data menunjukkan tren melengkung yang tidak dapat ditangkap oleh regresi linier sederhana.
💡
Pro Tips
Mulailah dengan pesanan rendah (1 atau 2). Tingkatkan hanya jika trennya jelas lebih kompleks.
Waspadalah terhadap 'Fenomena Runge'—polinomial tingkat tinggi dapat berosilasi secara liar di tepi data Anda.
Periksa nilai R²: nilai ini memberi tahu Anda berapa persentase varians data yang dijelaskan oleh model.
!
Fun Facts
"Polinomial berorde 1 sama persis dengan regresi linier sederhana."
"Seiring bertambahnya pesanan, model dapat menyesuaikan bentuk yang lebih kompleks, namun risiko 'overfitting' meningkat."
"Optimasi kuadrat terkecil digunakan untuk mencari koefisien yang meminimalkan jarak dari setiap titik ke kurva."
