| English | 의미 |
|---|---|
| logarithmic model/ˌlɒɡəˈrɪθmɪk ˈmɒdl/ | 로그 모델 |
| regression/rɪˈɡreʃn/ | 회귀 |
| parameters/pəˈræmɪtəz/ | 매개변수 |
Growth that keeps slowing
- Some things improve fast at first, then crawl: a new skill, a filling reservoir, fading sound.
- The gains never stop, but each one is smaller than the last.
- That "fast then slow, forever" shape is exactly what a logarithm draws.
- So logarithmic models describe decelerating growth beautifully.
Building a logarithmic model
- A logarithmic model 对数模型 has the form $y = a\log x + c$.
- It shoots up steeply for small $x$, then rises ever more gently.
- Choose it when the data climbs quickly and then flattens without a ceiling.
- Two or three points can pin down the constants by hand.
로그 모델은 다음 같은 데이터에 적합합니다…
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
로그는 빠르게 오르며 평탄화됩니다 — 학습 곡선처럼 느리지만 멈추지 않는 성장에 완벽합니다.
Regression finds the fit
- With scattered data, run a logarithmic regression 回归 on a calculator.
- It returns the best-fit $a$ and $c$ for the curve $y = a\log x + c$.
- The curve threads the trend without matching any point exactly.
- The result is a formula ready to interpret and use.
빠르게 오르고 이후 평탄해지는 곡선
y = a·log(x − b) + c
로그 모델은 처음에 가파르게 올라간 후 멈추지 않고 느려지는 특징이 있어, 계속 느려지는 데이터에 적합합니다.
기술은 데이터셋에 가장 잘 맞는 로그 ____을 찾을 수 있습니다.
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
로그 회귀는 $a$와 $c$이 $y = a\log x + c$에 있는 points를 가장 잘拟合하는 값을 제공합니다.
로그 모델에 대한 참인 진술들을 모두 택하세요.
난이도 2/5 · 140 코인 + 오늘 첫 완료 시 소액 보너스
로그는 무한히 상승합니다 — 느려지지만 천장이 없습니다. 나머지 세 가지가 맞습니다.
Interpret the parameters
- The parameters 参数 $a$ and $c$ carry real meaning.
- A larger $a$ stretches the curve, meaning a faster initial rise.
- The constant $c$ shifts the whole curve up or down to match the data's level.
- Reading these numbers turns the model back into a statement about the situation.
fitting된 모델의 매개변수는 실제 상황을 설명하는 데 해석될 수 있습니다.
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
각 상수는 의미를 가집니다 — 예를 들어 더 큰 $a$는 더 빠른 초기 상승을 의미합니다.
어떤 대비가 맞습니까?
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
이들은 역함수 관계입니다: 지수함수는 가속하고, 그 거울인 로그는 감속합니다.
Log versus exponential contexts
- An exponential fits things that accelerate: populations, compound interest, viral spread.
- A logarithm fits things that decelerate: sensory perception, diminishing returns.
- They are inverses, so their model shapes are opposite.
- Ask "is growth speeding up or slowing down?" to pick the right family.
A logarithmic model slows down but never stops — it has no upper limit. Do not use it for something that truly saturates at a hard ceiling (a different model handles that). It only fits growth that keeps rising, just more and more gently.
A study finds a test score rises with study hours as $S = 20\log_{10} h + 40$.
- At $h = 1$: $S = 20(0) + 40 = 40$.
- At $h = 10$: $S = 20(1) + 40 = 60$ — ten times the hours for $+20$ points.
- The gain from $10 \to 100$ hours is again just $+20$: clear diminishing returns.
A logarithmic model $y = a\log x + c$ fits data that rises quickly then keeps slowing. Find it with a logarithmic regression, interpret its parameters in context, and remember it has no ceiling — it decelerates but never stops rising.