Adatta curve non lineari ai tuoi dati per acquisire tendenze complesse.
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.
Analisi di regressione
Bontà di adattamento (R²)0.997499.7% of variance explained
Equazione del modello
y = 4.400 - 3.386x + 1.214x^2
Profilo del modelloQuadratic
Volume del campione5Pairs
Least Squares Optimization Active
Overview
La regressione polinomiale adatta una relazione non lineare tra il valore di x e la corrispondente media condizionale di y. È utile quando i dati mostrano tendenze curve che la semplice regressione lineare non è in grado di catturare.
💡
Pro Tips
Inizia con un ordine basso (1 o 2). Aumentatelo solo se il trend è chiaramente più complesso.
Attenzione al \"fenomeno di Runge\": i polinomi di ordine elevato possono oscillare selvaggiamente ai margini dei dati.
Controlla il valore R²: ti dice quale percentuale della varianza dei dati è spiegata dal modello.
!
Fun Facts
"Un polinomio di ordine 1 è esattamente uguale alla regressione lineare semplice."
"All'aumentare dell'ordine, il modello può adattarsi a forme più complesse, ma aumenta il rischio di \\\"adattamento eccessivo\\\"."
"L'ottimizzazione dei minimi quadrati viene utilizzata per trovare i coefficienti che minimizzano la distanza da ogni punto alla curva."
