博主头像

使用技术和回归构建数据集模型 | Khan Academy

外来客 • 2026-08-30 15:22:58

分享
𝕏 f ◉
声明：本文为对公开内容的摘要整理， 未经本站独立核实，可能与原内容存在出入，不代表本站立场、观点或建议； 观点与版权归原作者及原平台所有。 如涉及版权问题，请联系我们，核实后立即删除。 [ 免责声明 ]

（原标题：Constructing models of data sets using technology and regressions | Khan Academy）

📊 核心观点

  • 利用 TI-84 计算器对数据集进行线性与二次回归分析，并通过 $R^2$ 值评估模型拟合优度。
  • 在真实数据中，高 $R^2$ 值较为罕见；本例中二次回归几乎完美解释了数据，而线性回归解释力有限。

🛠️ 关键事实/论据

  • 数据输入：X 列（L1）数值为 2、3、4、5；Y 列（L2）对应数值为 0.1、3.2、4.67、3.5。
  • 诊断设置：通过“Catalog”菜单开启“Diagnostic On”，以获取 $R^2$ 值用于判断拟合程度。
  • 线性回归结果：方程为 $y = 1.167x - 1.217$，$R^2 \approx 0.596$（约 0.6），表明该直线仅能解释部分数据变化。
  • 二次回归结果：方程为 $y = -1.0675x^2 + 8.6395x - 12.9595$，$R^2$ 值极高，几乎完全吻合数据点。
  • 可视化对比：通过“Zoom Stat”和开启“Plot 1”，图形显示二次曲线紧密贴合四个数据点，而线性直线存在明显偏差。

📝 结论

  • $R^2$ 越接近 1，模型拟合效果越好；接近 0 则表示拟合极差。
  • 对于呈现非线性的数据集，二次回归模型比线性模型能更准确地描述数据趋势。
  • 在计算器操作中，需正确存储回归方程至 Y-vars（如 Y1、Y2）并开启统计图功能，才能直观对比不同模型的拟合效果。

博主头像 👤 同一博主

查看该博主全部 109 篇

🧭 类似博主

0 条评论

发表评论

请先 登录 后参与讨论。