Einführung in die Regression
Lerne, wie du die am besten passende Gerade durch Datenpunkte findest und mit linearer Regression Vorhersagen machst.
Definition
- die Steigung ist (wie steil die Gerade ist)
- der y-Achsenabschnitt ist (wo die Gerade die y-Achse schneidet)
- die Eingabevariable ist (unabhängige Variable)
- der vorhergesagte Ausgabewert ist (abhängige Variable)
Probier es gleich aus
Lösungsbeispiele
Eine Studie zeigt, dass für jede zusätzliche Lernstunde die Testergebnisse um 5 Punkte steigen. Wenn ein Schüler, der 0 Stunden lernt, 50 Punkte erzielt, wie lautet die Regressionsgleichung?
Steigung identifizieren
Punktzahl steigt um 5 Punkte pro Lernstunde →
y-Achsenabschnitt identifizieren
Wenn Stunden, ist die Punktzahl 50 →
Die Gleichung schreiben
Setze und in ein →
Antwort: Die Regressionsgleichung ist , wobei die gelernten Stunden und die vorhergesagte Punktzahl ist.
Häufige Fehler
Verwechslung der Subtraktionsreihenfolge in der Steigungsformel
Warum es falsch ist: Die Verwendung von anstelle von ergibt den Kehrwert der korrekten Steigung.
Richtig: Merke: Steigung ist 'Höhe durch Breite' - die Änderung in (vertikal) geteilt durch die Änderung in (horizontal).
Zu weit über die Daten hinaus extrapolieren
Warum es falsch ist: Die Regressionsgerade ist nur innerhalb des Bereichs deiner Daten zuverlässig. Vorhersagen weit außerhalb dieses Bereichs können zu unrealistischen Ergebnissen führen.
Richtig: Sei vorsichtig bei Vorhersagen für -Werte, die viel größer oder kleiner sind als deine ursprünglichen Datenpunkte.
Annahme, dass Korrelation Kausalität bedeutet
Warum es falsch ist: Nur weil zwei Variablen zusammenhängen (korrelieren), bedeutet das nicht, dass eine die andere verursacht.
Richtig: Regression zeigt Beziehungen, aber zusätzliche Analyse ist erforderlich, um Kausalität festzustellen.
Interaktive Visualisierung
Lineare Funktion erkunden
| x | y |
|---|---|
| -2 | -2 |
| -1 | -1 |
| 0 | 0 |
| 1 | 1 |
| 2 | 2 |
Interaktiver Sandkasten
Interaktiver Grapher
Probiere diese Beispiele:
y = 2x + 1
m=2, b=1
Ausdrucksrechner
Probiere diese:
Verlauf
Noch keine Berechnungen
Übungsaufgaben
16 AufgabenWas stellt das in der Gleichung dar?
Warum es wichtig ist
- Wirtschaft: Vorhersage von Verkäufen basierend auf Werbeausgaben
- Medizin: Schätzung der Medikamentendosis basierend auf dem Patientengewicht
- Volkswirtschaft: Prognose des BIP-Wachstums aus verschiedenen Indikatoren
- Sport: Projektion der Athletenleistung aus Trainingsmetriken
- Wissenschaft: Modellierung von Beziehungen zwischen Variablen in Experimenten
Anwendungen im echten Leben
Hauspreise vorhersagen
Immobilienanalysten verwenden Regression, um Hauswerte basierend auf Faktoren wie Quadratmetern, Zimmeranzahl und Lage zu schätzen.
Beispiel:
Wenn Häuser ungefähr 1500€ pro Quadratmeter mit einem Basispreis von 50000€ verkauft werden, könnte die Gleichung lauten, wobei die Quadratmeter sind.
Ein Immobilienmodell zeigt: , wobei die Quadratmeter und der Preis in Euro ist.
Was ist der vorhergesagte Preis für ein 150 Quadratmeter großes Haus?
Schritt 1: Schreibe den mathematischen Ausdruck
Setze in die Gleichung ein:
Kraftstoffeffizienz-Analyse
Automobilingenieure verwenden Regression, um zu verstehen, wie das Fahrzeuggewicht den Kraftstoffverbrauch beeinflusst.
Beispiel:
Daten könnten zeigen, dass die Kraftstoffeffizienz um 0,005 km/L für jedes Kilogramm zusätzliches Gewicht sinkt.
Ein Automodell zeigt: , wobei das Gewicht in kg und die Kraftstoffeffizienz in km/L ist.
Welche Effizienz wird für ein Auto mit 1200 kg vorhergesagt?
Schritt 1: Schreibe den mathematischen Ausdruck
Berechne:
Wichtige Erkenntnisse
- 1Lineare Regression findet die Gerade, die am besten zu einer Menge von Datenpunkten passt
- 2Die Regressionsgleichung ist , wobei die Steigung und der y-Achsenabschnitt ist
- 3Die Steigung wird berechnet als (Höhe durch Breite)
- 4Sobald du die Gleichung hast, kannst du Vorhersagen machen, indem du Werte für einsetzt
- 5Regression zeigt Korrelation, aber Korrelation bedeutet nicht Kausalität
Häufig gestellte Fragen
Glossar
- Lineare Regression
- Eine statistische Methode, um die am besten passende Gerade durch Datenpunkte zu finden
- Ausgleichsgerade
- Die Gerade, die den Abstand zwischen sich selbst und allen Datenpunkten minimiert
- Steigung
- Die Steilheit der Geraden, die die Änderungsrate darstellt ( in )
- Y-Achsenabschnitt
- Der Punkt, an dem die Gerade die y-Achse schneidet ( in )
- Vorhersage
- Verwendung der Regressionsgleichung zur Schätzung von für einen gegebenen Wert von
- Unabhängige Variable
- Die Eingabevariable (), die wir für Vorhersagen verwenden
- Abhängige Variable
- Die Ausgabevariable (), die wir vorhersagen wollen