Dopasuj nieliniowe krzywe do swoich danych, aby uchwycić złożone trendy.
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.
Analiza regresji
Dobroć dopasowania (R²)0.997499.7% of variance explained
Równanie modelu
y = 4.400 - 3.386x + 1.214x^2
Profil modeluQuadratic
Próbka objętości5Pairs
Least Squares Optimization Active
Overview
Regresja wielomianowa dopasowuje nieliniową zależność między wartością x a odpowiednią średnią warunkową y. Jest to przydatne, gdy dane pokazują zakrzywione trendy, których nie można uchwycić za pomocą prostej regresji liniowej.
💡
Pro Tips
Zacznij od najniższego rzędu (1 lub 2). Zwiększaj go tylko wtedy, gdy trend jest wyraźnie bardziej złożony.
Uważaj na „fenomen Runge” — wielomiany wyższego rzędu mogą gwałtownie oscylować na krawędziach danych.
Sprawdź wartość R²: informuje ona, jaki procent wariancji danych wyjaśnia model.
!
Fun Facts
"Wielomian rzędu 1 jest dokładnie tym samym, co prosta regresja liniowa."
"Wraz ze wzrostem zamówienia model może dopasowywać się do bardziej złożonych kształtów, ale ryzyko „przeuczenia się” wzrasta."
"Optymalizacja metodą najmniejszych kwadratów służy do znalezienia współczynników minimalizujących odległość od każdego punktu do krzywej."
