Membandingkan Model yang Bersaing
Diperkenalkan| English | Makna |
|---|---|
| linear model/ˈlɪnɪə ˈmɒdl/ | model linear |
| quadratic model/kwɒˈdrætɪk ˈmɒdl/ | model kuadratik |
| exponential model/ˌekspəˈnenʃl ˈmɒdl/ | Model eksponensial |
| residuals/rɪˈsɪdʒuːəlz/ | Residu |
Tiga kurva, satu set data
- Sebaran titik yang sama dapat disesuaikan oleh garis lurus, parabola, atau fungsi eksponensial.
- Masing-masing akan melewati dekat data, tetapi hanya satu yang menangkap bentuk aslinya.
- Memilih keluarga model yang salah memberikan prediksi yang menyimpang jauh.
- Jadi bagaimana kita memutuskan model mana yang benar-benar layak untuk kita percayai?
Coba setiap keluarga model
- Sesuaikan model linear, model kuadratik, dan model eksponensial ke titik-titik yang sama.
- Masing-masing menghasilkan formula dan kurva yang melintasi awan data.
- Perhatikan di mana setiap kurva berada relatif terhadap titik-titik data.
- Garis lurus tidak dapat melengkung; parabola melengkung sekali; eksponensial melengkung semakin ke atas.
Residual menilai kesesuaian
- Residual adalah jarak antara nilai data dan prediksi model pada titik tersebut.
- Residual kecil yang tersebar tanpa pola menunjukkan kecocokan yang baik.
- Residual besar atau residual yang melengkung menandakan keluarga model yang salah.
- Membandingkan residual adalah cara Anda mengurutkan model yang bersaing dengan bukti.
Kurva yang tidak dapat ditandingi garis lurus
y = a·bˣ
Eksponensial membengkok untuk menyesuaikan data melengkung. Cobalah menurunkan basis mendekati 1 untuk melihatnya mendatar menuju garis lurus.
Residual adalah perbedaan antara…
Difficulty 1/5 · 100 coins + a small bonus on first completion today
Residual = teramati − diprediksi. Residual kecil berarti model pas dengan data dengan erat.
Untuk menilai seberapa baik model cocok dengan data, periksa ukuran ____-nya.
Difficulty 1/5 · 100 coins + a small bonus on first completion today
Residual yang lebih kecil (dan tidak ada pola jelas padanya) menandakan model yang lebih pas.
Eksponensial akhirnya menang
- Dalam rentang yang cukup panjang, eksponensial tumbuh lebih cepat dari semua polinomial.
- Bahkan $x^{100}$ tertinggal setelah $2^x$ mulai berkembang.
- Jadi untuk data yang terus dikalikan, eksponensial adalah model jangka panjang yang alami.
- Polinomial melengkung, tetapi tidak dapat mengikuti penggandaan yang konstan.
Diberikan cukup waktu, model eksponensial akhirnya tumbuh lebih cepat daripada model polinomial apa pun.
Difficulty 1/5 · 100 coins + a small bonus on first completion today
Pertumbuhan eksponensial melampaui $x^2, x^3,$ bahkan $x^{100}$ dalam jangka panjang — eksponen selalu menang.
Pilih semua pernyataan benar tentang perbandingan model.
Difficulty 2/5 · 140 coins + a small bonus on first completion today
Kecocokan terbaik memiliki residual terkecil, bukan terbesar. Tiga lainnya benar.
Pilih berdasarkan konteks dan bukti
- Gunakan residual, tetapi juga gunakan pengetahuan Anda tentang situasi tersebut.
- Rekening tabungan mendapat bunga → eksponensial; benda jatuh → kuadratik.
- Preferensikan model paling sederhana yang sesuai dengan baik dan masuk akal secara fisik.
- Justifikasikan pilihan Anda dengan data dan cerita di baliknya.
Data yang berlipat ganda dengan laju stabil paling baik dimodelkan oleh…
Difficulty 1/5 · 100 coins + a small bonus on first completion today
Lipat ganda rasio konstan adalah ciri khas model eksponensial, bukan polinomial.
Polinomial derajat tinggi yang bergelombang dapat melewati setiap titik dan tetap menjadi model yang buruk — ia berayun liar di antara data dan memprediksi hal nonsens di luar data. Kecocokan yang dekat saja tidak cukup; keluarga model harus sesuai dengan perilaku mendasar.
Penjualan selama empat bulan: $100, 150, 225, 340$.
- Rasio: $150/100 = 1.5$, $225/150 = 1.5$, $340/225 \approx 1.5$ — hampir konstan.
- Rasio yang konstan mengarah pada model eksponensial, bukan garis lurus.
- Model: $S \approx 100 \cdot 1.5^{\,m}$, sesuai dengan pertumbuhan bulanan sekitar $50\%$.
Untuk membandingkan model linear, model kuadratik, dan model eksponensial pada data yang sama, periksa residual—semakin kecil semakin baik. Ingatlah bahwa eksponensial akhirnya akan melebihi polinomial apa pun, dan biarkan bukti serta konteks membimbing pilihan akhir Anda.