การเลือกโมเดลฟังก์ชัน
แนะนำใหม่| English | ความหมาย |
|---|---|
| linear model/ˈlɪnɪə ˈmɒdl/ | โมเดลเชิงเส้น |
| quadratic model/kwɒˈdrætɪk ˈmɒdl/ | โมเดลกำลังสอง |
| rate of change/reɪt ɒv tʃeɪndʒ/ | อัตราการเปลี่ยนแปลง |
| concavity/kənˈkævɪti/ | ความโค้งเว้า |
| end behavior/end bɪˈheɪvjə/ | พฤติกรรมปลาย |
| assumptions/əˈsʌmpʃnz/ | ข้อสมมติฐาน |
ควรเชื่อถือโค้งใด?
- ข้อมูลจริงไม่เคยตกลงบนเส้นหรือโค้งได้อย่างสมบูรณ์แบบ — มันกระจายตัว
- หน้าที่ของเราคือการเลือก กลุ่ม ฟังก์ชันที่จับแนวโน้มได้ดีที่สุด
- เลือกเส้นตรง พาราโบลา หรือเอ็กซ์โพเนนเชียล — แต่ละแบบบอกเรื่องราวที่แตกต่างกัน
- ตัวข้อมูลเองก็ทิ้ง clues ว่าเราควรเลือกแบบไหน
จับคู่รูปร่างกับข้อมูล
- ขั้นแรก ให้พล็อตข้อมูลแล้วดูรูปร่างโดยรวม
- สูงขึ้นในอัตราคงที่ → โมเดลเชิงเส้น
- กราฟโค้งมีจุดหักมุม → เป็น โมเดลกำลังสอง หรือครอบครัวฟังก์ชันที่มีรูปทรงโค้งอื่นๆ
- ช้าลงเพื่อเข้าสู่เพดาน → สิ่งที่ราบเรียบ ไม่ใช่เส้นตรง
ข้อมูลที่เพิ่มขึ้นโดยประมาณ จำนวนเท่าเดิม ทุกขั้นตอน เหมาะที่สุดกับ…
Difficulty 1/5 · 100 coins + a small bonus on first completion today
อัตราการเปลี่ยนแปลงคงที่คือลายเซ็นของ โมเดลเชิงเส้น — เส้นตรง
อ่าน clues
- อัตราการเปลี่ยนแปลง: คงที่ → เชิงเส้น; เปลี่ยนแปลง → โค้ง
- ความเว้า: มุมโค้งขึ้นหรือลง ตัดความเป็นเส้นตรงออก
- พฤติกรรมตอนปลาย: แนวโน้มจะเติบโตต่อไป หรือจะเข้าสู่ขีดจำกัด?
- รวมกันแล้วสามคุณ的这一特征นี้จะลดตัวเลือกได้รวดเร็ว
เส้นตรงเหมาะกับข้อมูลแค่ไหน?
ข้อมูลที่เป็นเส้นตรงชัดเจนมีสัมประสิทธิ์สหสัมพันธ์ใกล้ 1 — บ่งชี้ว่าโมเดลเชิงเส้นเป็นทางเลือกที่ดี
ข้อมูลที่โค้งขึ้น เพิ่มเร็วขึ้นเรื่อยๆ ชี้ให้เห็นถึง…
Difficulty 1/5 · 100 coins + a small bonus on first completion today
อัตราการเปลี่ยนแปลงที่เพิ่มขึ้น (เว้าขึ้น) ล้างความน่าจะเป็นของเส้นตรง — โคนพาราโบลาหรือเอ็กซ์โพเนนเชียลเหมาะกับกว่า
คุณสมบัติใดช่วยในการเลือกโมเดล?
Difficulty 2/5 · 140 coins + a small bonus on first completion today
อัตราการเปลี่ยนแปลง ความเว้า และพฤติกรรมตอนปลายชี้ไปยังกลุ่มโมเดล; สีจุดไม่เกี่ยวข้อง
ระบุสมมติฐาน
- โมเดลทุกแบบมีการทำ สมมติฐาน (assumptions) แบบลดทอน — บอกออกมาให้ชัด
- “增长保持稳定”、“无突然冲击”、“模式持续”都是假设。
- เลือก โดเมน ที่สมเหตุสมผล: โมเดลประชากรไม่ควรอนุญาตให้เวลามีค่านegative
- การระบุขอบเขตช่วยให้ผู้อ่านรู้ว่าโมเดลนี้เชื่อถือได้ในช่วงใด
โมเดลที่มีประสิทธิภาพระบุ ____ และข้อจำกัดที่วางไว้ต่อสถานการณ์
Difficulty 1/5 · 100 coins + a small bonus on first completion today
โมเดลทุกตัวลดทอนความเป็นจริง; การระบุ สมมติฐาน บอกผู้อ่านว่าควรเชื่อถือเมื่อใด
ทุกโมเดลมีข้อจำกัด
- โมเดลเป็นการประมาณที่มีประโยชน์ ไม่ใช่ความจริงทั้งหมด
- มันเข้ากันได้ดี ภายใน ข้อมูล แต่อาจเบี่ยงเบนไปอย่างมากเมื่ออยู่ห่างจากข้อมูลนั้น
- กลุ่มฟังก์ชันที่แตกต่างกันสองกลุ่มอาจเข้ากับจุดเดียวกันได้ใกล้เคียงกันมาก — ความรู้เพิ่มเติมจะช่วยตัดสิน
- เสมอถามตัวเอง: การทำนายนี้ยังมีความหมายในสถานการณ์จริงหรือไม่?
โมเดลคือคำอธิบายที่แม่นยำของความเป็นจริงที่ถูกต้องเสมอ
Difficulty 1/5 · 100 coins + a small bonus on first completion today
โมเดลคือ การประมาณ ที่มีประโยชน์แต่มีขอบเขต — มันอาจล้มเหลวนอกช่วงข้อมูลหรือเมื่อสมมติฐานพังทลาย
อย่าเลือกโมเดลเพราะมันผ่านใกล้จุดข้อมูลเพียงอย่างเดียว พหุนามดีกรีสูงสามารถร้อยผ่าน ทุก จุดข้อมูลได้แต่จะแกว่งตัวรุนแรงระหว่างจุดเหล่านั้น ควรเลือกกลุ่มที่เรียบง่ายwhose รูปร่าง ตรงกับแนวโน้มจริงๆ
ยอดขายรายวันของร้านค้าในหนึ่งสัปดาห์: $12, 15, 18, 21, 24, 27, 30$
- แต่ละวันเพิ่มขึ้นExactly $3$ — อัตราการเปลี่ยนแปลงคงที่
- อัตราการเปลี่ยนแปลงคงที่ → โมเดลเชิงเส้น: $\text{sales} = 12 + 3d$
- สมมติฐาน: แนวโน้ม $+3$ ที่คงที่นี้ดำเนินต่อไป; สมเหตุสมผลเฉพาะระยะสั้นเท่านั้น
เลือก โมเดล โดยการจับคู่รูปร่าง发布公告กับข้อมูล โดยใช้ อัตราการเปลี่ยนแปลง, ความเว้า, และ พฤติกรรมตอนปลาย เป็น clues: อัตราคงที่ → โมเดลเชิงเส้น, มีมุม → โมเดลกำลังสอง, เป็นต้น ระบุ สมมติฐาน ของคุณและโดเมนที่เหมาะสม, และจำไว้ว่าทุกโมเดลมีข้อจำกัด