Když používáme regresní linii k predikci bodu, jehož hodnota x je mimo rozsah hodnot x trénovacích dat, nazývá se extrapolací.
Abychom (úmyslně) extrapolovali, používáme pouze regresní linii k předvídání hodnot, které jsou daleko od tréninkových dat.
Všimněte si, že extrapolace neposkytuje spolehlivé předpovědi, protože řádek regrese nemusí být platný mimo rozsah trénovacích dat.
První a druhý termín geometrické posloupnosti jsou vždy první a třetí termíny lineární posloupnosti. Čtvrtý termín lineární posloupnosti je 10 a součet jeho prvních pěti výrazů je 60 Najít prvních pět termínů lineární sekvence?
{16, 14, 12, 10, 8} Typická geometrická posloupnost může být reprezentována jako c0a, c_0a ^ 2, cdoty, c_0a ^ k a typická aritmetická sekvence jako c_0a, c_0a + Delta, c_0a + 2Delta, cdots, c_0a + kDelta Volání c_0 a jako prvního prvku pro geometrickou posloupnost máme {(c_0 a ^ 2 = c_0a + 2Delta -> "První a druhá z GS jsou první a třetí z LS"), (c_0a + 3Delta = 10- > "Čtvrtý termín lineární posloupnosti je 10"), (5c_0a + 10Delta = 60 -> "Součet jeho prvních pěti výrazů je 60"):} Řešen&
Vypočítejte nejmenší čtvercovou regresní přímku, kde roční závislost je závislá proměnná a roční příjem je nezávislá proměnná.
Y = -1,226666 + 0,1016666 * X bar X = (12 + 13 + 14 + ... + 20) / 9 = 9 * (12 + 20) / (2x9) = 16 bar Y = (0 + 0,1 + 0.2 + 0.2 + 0.5 + 0.5 + 0.6 + 0.7 + 0.8) / 9 = 0.4 hat beta_2 = (sum_ {i = 1} ^ {i = 9} x_i * y_i) / (sum_ {i = 1} ^ {i = 9} x_i ^ 2) "s" x_i = X_i - bar X "a" y_i = Y_i - bar Y => klobouk beta_2 = (4 * 0,4 + 3 * 0,3 + 2 * 0,2 + 0,2 + 0,1 + 2 * 0,2 + 3 * 0,3 + 4 * 0,4) / ((4 ^ 2 + 3 ^ 2 + 2 ^ 2 + 1 ^ 2) * 2) = (1,6 + 0,9 + 0,4 + 0,2 + 0,1 + 0,4 + 0,9 + 1,6) / 60 = 6.1 / 60 = 0.10166666 => klobouk beta_1 = bar Y - klobouk beta_2 * bar X = 0.4 - (6.1 / 60) * 16 = -1.226666 "Takže
Co je lineární regresní přímka? + Příklad
Je to linie, která dává nejpřesnější vztah mezi proměnnými, pokud má být lineární korelace. Příklad: Ve své práci učitele jsem měl pocit, že studenti, kteří dosáhli dobrých výsledků v matematice, také zaznamenali dobré výsledky ve fyzice a naopak. Tak jsem udělal scatterplot na grafu v Excelu, kde x = matematika a y = fyzika, kde každý student byl reprezentován tečkou. Všiml jsem si, že sbírka bodů vypadala jako sigar-tvar namísto toho, aby byla všude na místě (to by znamenalo vůbec žádnou korelaci).