En estadística, regresión polinómica es una forma de regresión lineal en la que la relación entre la variable independiente x y la variable dependiente y se modela como un polinomio de grado n
En estadística, regresión polinómica es una forma de regresión lineal en la que la relación entre la variable independiente x y la variable dependiente y se modela como un polinomio de grado n. La regresión polinómica se ajusta a una relación no lineal entre el valor de x y el correspondiente yEl error cuadrático medio (ECM) de un estimador mide el promedio de los errores al cuadrado, es decir, la diferencia entre el estimador y lo que se estima. El ECM es una función de riesgo, correspondiente
al valor esperado de la pérdida del error al cuadrado o pérdida cuadrática. La diferencia se produce debido a la aleatoriedad o porque el estimador no tiene en cuenta la información que podría producir una estimación más precisa.Otra forma de definir el error cuadrático medio es decir que que se trata del segundo momento (sobre el origen) del error, y por lo tanto incorpora tanto la varianza del estimador así como su sesgo. Para un estimador insesgado, el error cuadrático medio es la varianza del estimador. Al igual que la varianza, el error cuadrático medio tiene las mismas unidades de medida que el cuadrado de la cantidad que se estima.Uniendo estos dos conceptos para un número de "m" pares de datos (x,y) siempre es posible obtener un polinomio de grado "n" (nPodemos ponderar el valor del error mínimo (1e-6, es un buen valor). Menores valores del error aumentará el tiempo de cálculo y valores inferiores a 1e-10 no lograrán mejores resultados limitados por la exactitud de los números en Android.Además permite la exportación en formato HTML con la enumeración de los datos estadísticos, los diferentes polinomios de regresión hayados por el método de mínimo error cuadrático y la gráfica de la función (si esta fue previamente dibujada)In statistics, polynomial regression is a form of linear regression in which the relationship between the independent variable X and the dependent variable and is modeled as a polynomial of degree n. Polynomial regression fits a nonlinear relationship between the x value and the corresponding andThe mean square error (MSE) of an estimator measures the average squared errors, ie, the difference between the estimate and estimated. The ECM is a risk function, corresponding to the expected value of the squared error loss or quadratic loss. The difference occurs because the randomness or because the estimator ignores information that could produce a more accurate estimate.Another way to define the mean square error that is that it is the second time (about the origin) of the error, and thus incorporates both the variance of the estimator and its bias. For an unbiased estimator, the mean square error is the variance estimator. Like the variance, the mean square error has the same units as the square of the amount estimated.Joining these two concepts for a number of "m" data pairs (x, y) is always possible to obtain a polynomial of degree "n" (n We can weigh the value of the minimum error (1e-6 is a good value). Minor error values will increase the computing time and values below 1e-10 will not achieve best limited by the accuracy of the numbers on Android results.It also allows export in HTML format with the list of statistical data, different hayados polynomial regression by the method of least square error and the graph of the function (if this was previously drawn)
... moreless ...