Modeling with Logarithmic Functions (使用对数函数建模)
แนะนำใหม่| English | ความหมาย |
|---|---|
| logarithmic model/ˌlɒɡəˈrɪθmɪk ˈmɒdl/ | โมเดลลอการิทึม |
| regression/rɪˈɡreʃn/ | การถดถอย |
| parameters/pəˈræmɪtəz/ | พารามิเตอร์ |
การเติบโตที่ชะลอตัวลงเรื่อยๆ
- บางสิ่งพัฒนาเร็วในตอนแรก แล้วค่อยๆ เติบโตช้าลง: ทักษะใหม่, อ่างเก็บน้ำที่กำลังเติมเต็ม, เสียงที่จางหาย
- ผลลัพธ์ที่ได้ไม่หยุดยั้ง แต่แต่ละครั้งจะมีปริมาณน้อยลงจากครั้งก่อนหน้า
- รูปทรง "เร็วแล้วช้า ตลอดกาล" นี้คือสิ่งที่กราฟของลอบาริทึมแสดงออกได้อย่างชัดเจน
- ดังนั้นโมเดลลอบาริทึมจึงอธิบายการเติบโตที่ชะลอตัวได้อย่างยอดเยี่ยม
การสร้างโมเดลลอบาริทึม
- โมเดลลอบาริทึม มีรูปแบบ $y = a\log x + c$
- กราฟพุ่งสูงขึ้นอย่างรวดเร็วสำหรับค่า $x$ ที่น้อย แล้วค่อยๆ ยกตัวขึ้นอย่างเบามือ
- เลือกใช้เมื่อข้อมูลเพิ่มขึ้นอย่างรวดเร็วแล้วจึงราบเรียบโดยไม่มีการจำกัดสูงสุด
- จุดเพียงสองหรือสามจุดสามารถกำหนดค่าคงที่ได้ด้วยมือ
A logarithmic model suits data that… (对数模型适合以下数据…)
Difficulty 1/5 · 100 coins + a small bonus on first completion today
ลอการิทึมพุ่งขึ้นเร็วแล้วราบเรียบ — เหมาะสำหรับการเติบโตที่ชะลอตัวลงแต่ไม่หยุดยั้ง เช่น เส้นโค้งการเรียนรู้
การวิเคราะห์ เพื่อหาการปรับให้เข้ากัน
- เมื่อมีข้อมูลกระจาย ให้ทำการ วิเคราะห์ ลอการิทึมบนเครื่องคิดเลข
- ผลลัพธ์จะคืนค่า $a$ และ $c$ ที่ดีที่สุดสำหรับการปรับให้เข้ากับเส้นโค้ง $y = a\log x + c$
- เส้นโค้งนี้จะผ่านตามแนวโน้มโดยไม่ตรงกับจุดใดจุดหนึ่งอย่างสมบูรณ์
- ผลลัพธ์ที่ได้คือสูตรที่พร้อมสำหรับการตีความและนำไปใช้
A curve that rises fast, then flattens (先快速上升然后变平缓的曲线)
y = a·log(x − b) + c
โมเดลลอการิทึมจะพุ่งสูงขึ้นอย่างรวดเร็วในตอนแรก แล้วชะลอตัวลงโดยไม่เคยหยุดนิ่ง — เหมาะกับข้อมูลที่มีความชันลดลงอย่างต่อเนื่อง
เทคโนโลยีสามารถหาโมเดลลอการิทึม ____ ที่สอดคล้องกับชุดข้อมูลได้ดีที่สุด
Difficulty 1/5 · 100 coins + a small bonus on first completion today
การถดถอยแบบลอการิทึมจะคืนค่า $a$ และ $c$ ใน $y = a\log x + c$ ที่สอดคล้องกับจุดข้อมูลได้ดีที่สุด
Select ทั้งหมด true statements about logarithmic models. (选择关于对数模型的所有正确陈述)
Difficulty 2/5 · 140 coins + a small bonus on first completion today
กราฟลอการิทึมพุ่งขึ้นโดยไม่จำกัดขอบเขต — ช้าลงแต่ไม่มีเพดานสูง ส่วนอีกสามข้อถูกต้องแล้ว
ตีความพารามิเตอร์
- พารามิเตอร์ $a$ และ $c$ มีนัยยะทางปฏิบัติจริง
- ค่า $a$ ที่ใหญ่ขึ้นจะทำให้เส้นโค้งยืดออก ซึ่งหมายถึงการเริ่มต้นที่พุ่งสูงขึ้นเร็วขึ้น
- ค่าคงที่ $c$ จะเลื่อนทั้งเส้นโค้งขึ้นหรือลงเพื่อให้ตรงกับระดับของข้อมูล
- การอ่านค่าเหล่านี้จะเปลี่ยนโมเดลกลับเป็นข้อความที่อธิบายสถานการณ์ได้
พารามิเตอร์ของโมเดลที่ปรับให้เข้ากับข้อมูลสามารถตีความได้ในบริบทของสถานการณ์จริง
Difficulty 1/5 · 100 coins + a small bonus on first completion today
แต่ละค่าคงที่มีนัยสำคัญ — ค่า $a$ ที่ใหญ่ขึ้นหมายถึงอัตราการเพิ่มขึ้นเริ่มต้นที่เร็วขึ้น เป็นต้น
Which contrast is correct? (哪个对比是正确的？)
Difficulty 1/5 · 100 coins + a small bonus on first completion today
ทั้งสองเป็นฟังก์ชันผกผัน: ฟังก์ชันเอ็กซ์โพเนนเชียลมีอัตราเร่ง ในขณะที่ภาพสะท้อนคือลอการิทึมซึ่งมีอัตราลด
การเปรียบเทียบ ลอการิทึมกับเอกซ์โพเนนเชียลในบริบทต่างๆ
- เอกซ์โพเนนเชียลเหมาะสำหรับสิ่งที่ เร่งความเร็ว: ประชากร, ดอกเบี้ยทบต้น, การแพร่ระบาดของไวรัส
- ลอการิทึมเหมาะสำหรับสิ่งที่ ชะลอความเร็ว: การรับรู้ทางประสาทสัมผัส, ผลตอบแทนที่ลดลง
- ทั้งสองเป็นฟังก์ชันผกผันกัน ดังนั้นรูปร่างของโมเดลจึงตรงกันข้าม
- ถามว่า "การเติบโตนี้กำลังเร่งขึ้นหรือชะลอลง?" เพื่อเลือกกลุ่มฟังก์ชันที่เหมาะสม
โมเดลลอการิทึมจะชะลอตัวลงแต่ไม่เคยหยุดนิ่ง — มันไม่มี ขีดจำกัด สูงสุด อย่าใช้กับสิ่งที่อิ่มตัวที่เพดานตายตัว (ควรใช้โมเดลอื่นสำหรับกรณีนั้น) โมเดลนี้เหมาะกับกรณีที่มีการเติบโตต่อเนื่อง แต่ด้วยอัตราที่เบาลงเรื่อยๆ
การวิจัยพบว่าคะแนนทดสอบเพิ่มขึ้นตามชั่วโมงเรียนใน $S = 20\log_{10} h + 40$
- ที่ $h = 1$: $S = 20(0) + 40 = 40$.
- ที่ $h = 10$: $S = 20(1) + 40 = 60$ — สิบเท่าของชั่วโมงสำหรับ $+20$ คะแนน
- ผลลัพธ์ที่ได้จาก $10 \to 100$ ชั่วโมงมีค่าเท่ากับ $+20$ อีกครั้ง: แสดงให้เห็นถึงผลตอบแทนที่ลดลงอย่างชัดเจน
โมเดลลอการิทึม $y = a\log x + c$ เหมาะสมกับข้อมูลที่เพิ่มขึ้นอย่างรวดเร็วแล้วค่อยๆ ชะลอลง หาได้จากการถดถอยแบบลอการิทึม regression, interpret parameters ในบริบท และจำไว้ว่ามันไม่มีเพดาน — มันชะลอแต่ไม่หยุดเพิ่ม