1. Crescita esponenziale:<\/strong> la crescita inizia lentamente e poi accelera rapidamente e senza limiti.<\/span> <\/p>\n 2. Decadimento esponenziale:<\/strong> il decadimento inizia rapidamente e poi rallenta per avvicinarsi sempre di pi\u00f9 allo zero.<\/span> <\/p>\n L’equazione per un modello di regressione esponenziale assume la forma seguente:<\/span><\/p>\n y = abx<\/sup><\/span><\/p>\n Oro:<\/span><\/p>\n Il seguente esempio passo passo mostra come eseguire la regressione esponenziale in Python.<\/span><\/p>\n Innanzitutto, creiamo dati falsi per due variabili: x<\/em> e y<\/em> :<\/span><\/p>\n Successivamente, creiamo un rapido grafico a dispersione per visualizzare la relazione tra x<\/em> e y<\/em> :<\/span> <\/p>\n Dal grafico possiamo vedere che esiste un chiaro modello di crescita esponenziale tra le due variabili.<\/span><\/p>\n Pertanto, sembra saggio adattare un\u2019equazione di regressione esponenziale per descrivere la relazione tra le variabili, in contrapposizione a un modello di regressione lineare.<\/span><\/p>\n Successivamente, utilizzeremo la funzione polyfit()<\/strong> per adattare un modello di regressione esponenziale, utilizzando il logaritmo naturale di y<\/em> come variabile di risposta e x<\/em> come variabile predittrice:<\/span><\/p>\n In base al risultato, l’equazione di regressione esponenziale adattata pu\u00f2 essere scritta come segue:<\/span><\/p>\n ln(y) = 0,9817 + 0,2041(x)<\/strong><\/span><\/p>\n Applicando e<\/em> ad entrambi i membri, possiamo riscrivere l’equazione come segue:<\/span><\/p>\n y = 2,6689 * 1,2264x<\/sup><\/strong><\/span><\/p>\n Possiamo utilizzare questa equazione per prevedere la variabile di risposta, y<\/em> , in base al valore della variabile predittrice, x<\/em> .<\/span> Ad esempio, se x<\/em> = 12, allora prevediamo che y<\/em> sarebbe 30,897<\/strong> :<\/span><\/p>\n y = 2,6689 * 1,2264 12<\/sup> = 30,897<\/span><\/p>\n Bonus:<\/strong> sentiti libero di utilizzare questo calcolatore di regressione esponenziale online per calcolare automaticamente l’equazione di regressione esponenziale per un determinato predittore e variabile di risposta.<\/span><\/p>\n Come eseguire una semplice regressione lineare in Python<\/a> La regressione esponenziale \u00e8 un tipo di regressione che pu\u00f2 essere utilizzato per modellare le seguenti situazioni: 1. Crescita esponenziale: la crescita inizia lentamente e poi accelera rapidamente e senza limiti. 2. Decadimento esponenziale: il decadimento inizia rapidamente e poi rallenta per avvicinarsi sempre di pi\u00f9 allo zero. L’equazione per un modello di regressione esponenziale […]<\/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
Passaggio 1: creare i dati<\/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 Passaggio 2: visualizzare i dati<\/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 Passaggio 3: adattare il modello di regressione esponenziale<\/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 Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione polinomiale in Python<\/a>
Come eseguire la regressione quantile in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"