1. Exponentielles Wachstum:<\/strong> Das Wachstum beginnt langsam und beschleunigt sich dann schnell und ohne Grenzen.<\/span> <\/p>\n 2. Exponentieller Zerfall:<\/strong> Der Zerfall beginnt schnell und verlangsamt sich dann, um sich immer mehr dem Nullpunkt zu n\u00e4hern.<\/span> <\/p>\n Die Gleichung f\u00fcr ein exponentielles Regressionsmodell hat die folgende Form:<\/span><\/p>\n y = ab x<\/sup><\/span><\/p>\n Gold:<\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie man eine exponentielle Regression in Python durchf\u00fchrt.<\/span><\/p>\n Erstellen wir zun\u00e4chst gef\u00e4lschte Daten f\u00fcr zwei Variablen: x<\/em> und y<\/em> :<\/span><\/p>\n Als N\u00e4chstes erstellen wir ein kurzes Streudiagramm, um die Beziehung zwischen x<\/em> und y<\/em> zu visualisieren:<\/span> <\/p>\n Aus der Grafik k\u00f6nnen wir erkennen, dass zwischen den beiden Variablen ein klares exponentielles Wachstumsmuster besteht.<\/span><\/p>\n Daher erscheint es sinnvoll, anstelle eines linearen Regressionsmodells eine exponentielle Regressionsgleichung zur Beschreibung der Beziehung zwischen Variablen anzuwenden.<\/span><\/p>\n Als n\u00e4chstes verwenden wir die Funktion polyfit()<\/strong> , um ein exponentielles Regressionsmodell anzupassen, wobei wir den nat\u00fcrlichen Logarithmus von y<\/em> als Antwortvariable und x<\/em> als Pr\u00e4diktorvariable verwenden:<\/span><\/p>\n Basierend auf dem Ergebnis kann die angepasste exponentielle Regressionsgleichung wie folgt geschrieben werden:<\/span><\/p>\n ln(y) = 0,9817 + 0,2041(x)<\/strong><\/span><\/p>\n Wenn wir e<\/em> auf beide Seiten anwenden, k\u00f6nnen wir die Gleichung wie folgt umschreiben:<\/span><\/p>\n y = 2,6689 * 1,2264x<\/sup><\/strong><\/span><\/p>\n Wir k\u00f6nnen diese Gleichung verwenden, um die Antwortvariable y<\/em> basierend auf dem Wert der Pr\u00e4diktorvariablen x<\/em> vorherzusagen.<\/span> Wenn zum Beispiel x<\/em> = 12, dann w\u00fcrden wir vorhersagen, dass y<\/em> 30,897<\/strong> w\u00e4re:<\/span><\/p>\n y = 2,6689 * 1,2264 \u00b7 12<\/sup> = 30,897<\/span><\/p>\n Bonus:<\/strong> F\u00fchlen Sie sich frei, diesen Online-Rechner f\u00fcr exponentielle Regression zu verwenden, um die exponentielle Regressionsgleichung f\u00fcr einen bestimmten Pr\u00e4diktor und eine bestimmte Antwortvariable automatisch zu berechnen.<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in Python durch<\/a> Die exponentielle Regression ist eine Art der Regression, mit der sich die folgenden Situationen modellieren lassen: 1. Exponentielles Wachstum: Das Wachstum beginnt langsam und beschleunigt sich dann schnell und ohne Grenzen. 2. Exponentieller Zerfall: Der Zerfall beginnt schnell und verlangsamt sich dann, um sich immer mehr dem Nullpunkt zu n\u00e4hern. Die Gleichung f\u00fcr ein exponentielles […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/expregexcel1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/expregexcel2.png\")
<\/p>\n\n
Schritt 1: Erstellen Sie die Daten<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\n\nx = np. arange<\/span> (1, 21, 1)\ny = np. array<\/span> ([1, 3, 5, 7, 9, 12, 15, 19, 23, 28,\n 33, 38, 44, 50, 56, 64, 73, 84, 97, 113])\n<\/strong><\/pre>\n Schritt 2: Visualisieren Sie die Daten<\/strong><\/h3>\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\nplt. scatter<\/span> (x,y)\nplt. show<\/span> ()<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/expregpython1.png\")
<\/p>\n Schritt 3: Passen Sie das exponentielle Regressionsmodell an<\/strong><\/span><\/h3>\n
#fit the model<\/span>\nfit = np. polyfit<\/span> (x, np. log<\/span> (y), 1)\n\n#view the output of the model<\/span>\nprint(fit)\n\n[0.2041002 0.98165772]\n<\/strong><\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine Polynomregression in Python durch<\/a>
So f\u00fchren Sie eine Quantilregression in Python durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"