1. Pertumbuhan Eksponensial:<\/strong> Pertumbuhan dimulai secara perlahan dan kemudian meningkat dengan cepat dan tanpa batas.<\/span> <\/p>\n 2. Peluruhan eksponensial:<\/strong> Peluruhan dimulai dengan cepat dan kemudian melambat hingga mendekati nol.<\/span> <\/p>\n Persamaan model regresi eksponensial berbentuk sebagai berikut:<\/span><\/p>\n kamu = abx<\/sup><\/span><\/p>\n Emas:<\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi eksponensial dengan Python.<\/span><\/p>\n Pertama, mari buat data palsu untuk dua variabel: x<\/em> dan y<\/em> :<\/span><\/p>\n Berikutnya, mari buat diagram sebar singkat untuk memvisualisasikan hubungan antara x<\/em> dan y<\/em> :<\/span> <\/p>\n Dari grafik terlihat terdapat pola pertumbuhan eksponensial yang jelas antara kedua variabel.<\/span><\/p>\n Oleh karena itu, tampaknya bijaksana untuk menggunakan persamaan regresi eksponensial untuk menggambarkan hubungan antar variabel, dibandingkan dengan model regresi linier.<\/span><\/p>\n Selanjutnya, kita akan menggunakan fungsi polyfit()<\/strong> untuk menyesuaikan model regresi eksponensial, menggunakan logaritma natural y<\/em> sebagai variabel respon dan x<\/em> sebagai variabel prediktor:<\/span><\/p>\n Berdasarkan hasil tersebut, persamaan regresi eksponensial pas dapat dituliskan sebagai berikut:<\/span><\/p>\n ln(y) = 0,9817 + 0,2041(x)<\/strong><\/span><\/p>\n Menerapkan e<\/em> pada kedua ruas, kita dapat menulis ulang persamaannya sebagai berikut:<\/span><\/p>\n kamu = 2,6689 * 1,2264x<\/sup><\/strong><\/span><\/p>\n Kita dapat menggunakan persamaan ini untuk memprediksi variabel respon y<\/em> berdasarkan nilai variabel prediktor x<\/em> .<\/span> Misalnya, jika x<\/em> = 12, maka kita prediksi y<\/em> adalah 30.897<\/strong> :<\/span><\/p>\n kamu = 2,6689 * 1,2264 12<\/sup> = 30,897<\/span><\/p>\n Bonus:<\/strong> Jangan ragu untuk menggunakan kalkulator regresi eksponensial online ini untuk secara otomatis menghitung persamaan regresi eksponensial untuk variabel prediktor dan respons tertentu.<\/span><\/p>\n Cara melakukan regresi linier sederhana dengan Python<\/a> Regresi eksponensial adalah jenis regresi yang dapat digunakan untuk memodelkan situasi berikut: 1. Pertumbuhan Eksponensial: Pertumbuhan dimulai secara perlahan dan kemudian meningkat dengan cepat dan tanpa batas. 2. Peluruhan eksponensial: Peluruhan dimulai dengan cepat dan kemudian melambat hingga mendekati nol. Persamaan model regresi eksponensial berbentuk sebagai berikut: kamu = abx Emas: y : variabel respon […]<\/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
Langkah 1: Buat datanya<\/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 Langkah 2: Visualisasikan datanya<\/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 Langkah 3: Sesuaikan model regresi eksponensial<\/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 Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi polinomial dengan Python<\/a>
Cara melakukan regresi kuantil dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"