| English | 释义 | 拼音 |
|---|---|---|
| linear model/ˈlɪnɪə ˈmɒdl/ | 线性模型 | xiàn xìng mó xíng |
| quadratic model/kwɒˈdrætɪk ˈmɒdl/ | 二次模型 | èr cì mó xíng |
| exponential model/ˌekspəˈnenʃl ˈmɒdl/ | 指数模型 | zhǐ shù mó xíng |
| residuals/rɪˈsɪdʒuːəlz/ | 残差 | cán chā |
| residual plot/rɪˈsɪdʒuːəl plɒt/ | 残差图 | cán chā tú |
你会选用哪个预测结果?
- 某学校视频在$100,151,224,339,505$天的观看次数为$0,1,2,3,4$。计数大致按相同的倍数增长,而非相同的数量。
- 线性模型、二次模型和指数模型均可拟合该上升趋势的一部分。请在同一组观测数据上比较它们,然后判断预测是否合理。
将三种模型族拟合到同一组数据
- 利用技术工具拟合所有五对数据。线性回归和二次回归最小化计数中的平方误差;此处指数模型通过对$\ln y$关于$x$进行线性回归得到,再转换回原尺度。
- 以下规则给出预测计数,记作$\hat y$。指数方法最小化$\ln y$中的平方误差,因此另一种计算器方法可能得出略有不同的系数。残差计算请保留完整精度;显示的系数已四舍五入。

确定残差的符号
- 残差是观测值减去预测值:$e=y-\hat y$。正残差表示观测点位于曲线上方:模型低估了该值。
- 负残差表示观测值位于曲线下方:模型高估了该值。大小$|e|$表明预测偏离了多少个单位,其单位与计数相同。
在第$2$天,观测计数为$224$。计算预测值,然后用观测值减去它:
直线高估了$39.8$次观看。二次模型预测约为$224.94$,指数模型预测约为$225.19$:它们的残差分别约为$-0.94$和$-1.19$。
带符号残差是指…
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
残差 = 观测值 − 预测值。负残差表示模型预测过高。
在第 2 天,观测值为 224,直线预测值为 263.8。带符号的残差是多少?
难度 2/5 · 今日首次完成可获 140 金币及少量额外奖励
观测值减预测值:$224-263.8=-39.8$。直线高估了 39.8 个观测值。
通读整个残差图
- 残差图将每个残差与其输入$x$对应绘制,并在零处画一条水平线。若出现曲线或从正到负再到正的有规律波动,表明模型遗漏了数据的某些特征。
- 残差在零两侧小幅度散布且无明显模式,可支持该模型。少量点无法证明该模型族即为真实规律,也无法保证远期预测有效。
要判断拟合优度,请检查其 ____ 的大小和模式。
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
更小的残差(且其中没有明显的规律)标志着一个拟合更好的模型。
残差在区间的两端为正,中间为负。这表明什么?
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
这是一种规律模式,而非围绕零点的无规律散点。另一类函数可能更好地拟合这种形状。
综合比较大小与模式
- 对于直线,五个残差为$35.8,-13,-39.8,-24.6,41.6$:呈曲线模式。其总绝对误差为$154.8$次观看。在此类大小比较中,正负误差不得相互抵消。
- 二次模型的总绝对误差约为$18.34$次观看;指数模型约为$4.59$。此处指数模型的误差更小且无明显残差模式,这与大致恒定的增长倍数一致。
三种拟合方式,同样的五个观测数据点
比较拟合曲线和带符号残差。随着模型变化,两个图表的比例尺保持不变;第2天以观测值224、预测值263.8和残差−39.8开始。
让背景决定什么重要
- 误差小的模型仍可能不适用:观看次数不能为负,且短暂的兴趣激增可能会停止。这五天的数据仅支持短期比较,而非无限的未来增长。
- 误差的成本同样重要。低估需求可能导致校车座位不足;谨慎的高估或许更优。请指明误差的方向和大小,并解释其后果。
多项式函数可以穿过所有观测点,但在这些点之间或之外表现不佳。对小样本的完美拟合并不保证预测有用。需将拟合、背景和合理的定义域结合使用。
在相等的时间间隔内翻倍的初始正值数据表明这是一个……
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
按恒定比例翻倍是指数模型的标志,而不是多项式模型。
一个公交需求模型预测48名乘客;实际到达55人。哪项描述正确?
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
$55-48=7$。正残差意味着实际需求超过预测值。在确定运力时,方向至关重要。
区分最终增长与拟合
- 若 $a>0$ 且 $b>1$,则指数函数 $ab^x$ 在 $x\to\infty$ 增大时最终会超过任何固定的多项式。这是关于公式在长范围内的陈述,并非证明指数函数最适合特定数据集的证据。
- 衰减模型如 $100(0.8)^x$ 则趋近于零。零或负的leading multiplier(首项系数)也不符合正增长的主张;务必说明假设条件。
对于 $a>0$ 和 $b>1$,当 $x$ 趋于无穷大时,$ab^x$ 最终会超过任意固定的多项式。
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
这些正增长条件很重要。该陈述涉及随着 $x$ 增加时的公式,并不能证明指数函数是拟合给定数据集的最佳选择。
衰减模型$100(0.8)^x$最终必须超过增长直线$10+x$,随着$x$增大。
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
指数函数趋向于零,而直线持续增加。仅凭指数函数形式不能推断其最终必然占主导地位。
标记起始时间
- 对于早期的销售示例 $100,150,225,340$,将观测值标记为月份 $m=0,1,2,3$。模型 $S(m)=100(1.5)^m$ 预测月份 $3$ 时的值为 $337.5$,残差为 $340-337.5=2.5$。
- 若首个观测值被称为月份 $1$,同一模型则为 $S(m)=100(1.5)^{m-1}$。更改标签会改变指数;但不会改变观测数据本身。
第1个月首次记录的销售额为100,此后每月增长倍数为1.5。利用$S(m)=100(1.5)^{m-1}$,预测第3个月的销售额是多少?
难度 2/5 · 今日首次完成可获 140 金币及少量额外奖励
第3月比第1月晚两个变化周期:即$100(1.5)^2=225$。
提出有依据的建议
- 说明函数族别和区间,引用残差大小并描述任何模式。然后补充一个背景原因和一个局限性。对于视频数据,指数函数是描述第 $0$–$4$ 天数的合理方式;但这并非承诺未来持续增长。
- 在同一观测数据和单位下比较所有模型。带符号的残差总和可能掩盖大误差,两个公式中最终的优胜者未必是当前最佳拟合。
根据数据构建候选模型,计算观测值减去预测值,并检查整个残差图。选择时需兼顾数值证据和背景知识。无明显模式支持某模型,但也无法证明该模型正确。
选出关于比较模型的所有正确说法。
难度 2/5 · 今日首次完成可获 140 金币及少量额外奖励
前三个陈述是正确的。带符号的误差可以相互抵消;应检查它们的大小和模式,并结合上下文及比较区间进行观察。
基于证据撰写建议
- 模型A的残差为 $2,-1,3$ 次观看;模型B在同三天上的残差为 $4,4,4$。计算两者的绝对残差总和,并指出哪个模型的误差更小。
- 解释为何仅凭此比较不足以确立A是长期预测的最佳模型。包含一项你还会进行的额外检验。
在同一三天内,模型 A 有 $2,-1,3$ 个残差,模型 B 有 $4,4,4$ 个。求两者的绝对残差总和并根据此指标推荐一个模型。为什么这对长期预测是不够的?请提出一项进一步检查。
结合数值误差指标与推荐的局限性使用。仅较小的总和不足以验证预测。
模型 A 的残差为 $2,-1,3$。其绝对残差总和是多少?
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
绝对残差之和为 6。