Risposta:
Hai bisogno di vedere una risposta completa per capire
Spiegazione:
Non so esattamente cosa intendi per prima cosa ottieni il tuo set di dati dove registri y su x per scoprire come cambia in x gli effetti y.
x y
1 4
2 6
3 7
4 6
5 2
E vuoi trovare la relazione tra x e y, quindi dici che credi che il modello sia simile
o in statistiche
questi
Così
Questo ti dice che i coefficienti previsti ti daranno il valore y previsto.
Quindi ora vuoi trovare le migliori stime per questi co-effluenti facciamo questo trovando la differenza più bassa tra il valore y effettivo e previsto.
Questo in pratica dice che vuoi il minimo della somma delle differenze tra i valori y acutali e i valori y previsti per la tua linea di regressione
Quindi le formule per trovarle sono
Il primo e il secondo termine di una sequenza geometrica sono rispettivamente il primo e il terzo termine di una sequenza lineare. Il quarto termine della sequenza lineare è 10 e la somma dei suoi primi cinque termini è 60 Trova i primi cinque termini della sequenza lineare?
{16, 14, 12, 10, 8} Una tipica sequenza geometrica può essere rappresentata come c_0a, c_0a ^ 2, cdots, c_0a ^ k e una tipica sequenza aritmetica come c_0a, c_0a + Delta, c_0a + 2Delta, cdots, c_0a + kDelta Chiamando c_0 a come primo elemento per la sequenza geometrica abbiamo {(c_0 a ^ 2 = c_0a + 2Delta -> "Primo e secondo di GS sono il primo e il terzo di un LS"), (c_0a + 3Delta = 10- > "Il quarto termine della sequenza lineare è 10"), (5c_0a + 10Delta = 60 -> "La somma dei suoi primi cinque termini è 60"):} Risoluzione per c_0, a, Delta otteniamo c_0 = 64/3 , a = 3/4
Come estrapolare usando una linea di regressione lineare?
Quando usiamo la linea di regressione per predire un punto il cui valore x è al di fuori dell'intervallo dei valori x dei dati di allenamento, è chiamato estrapolazione. Al fine di estrapolare (deliberatamente) semplicemente usiamo la linea di regressione per prevedere valori che sono lontani dai dati di addestramento. Si noti che l'estrapolazione non fornisce previsioni affidabili perché la linea di regressione potrebbe non essere valida al di fuori dell'intervallo dei dati di allenamento.