Na przyk\u0142ad poni\u017cszy wykres przedstawia przyk\u0142ad rozpadu logarytmicznego:<\/span> <\/p>\n W przypadku tego typu sytuacji zwi\u0105zek mi\u0119dzy zmienn\u0105 predykcyjn\u0105 azmienn\u0105 odpowiedzi<\/a> mo\u017cna dobrze modelowa\u0107 za pomoc\u0105 regresji logarytmicznej.<\/span><\/p>\n R\u00f3wnanie modelu regresji logarytmicznej ma nast\u0119puj\u0105c\u0105 posta\u0107:<\/span><\/p>\n y = a + b*ln(x)<\/strong><\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje krok po kroku, jak przeprowadzi\u0107 regresj\u0119 logarytmiczn\u0105 w Pythonie.<\/span><\/p>\n Najpierw utw\u00f3rzmy fa\u0142szywe dane dla dw\u00f3ch zmiennych: x<\/em> i y<\/em> :<\/span><\/p>\n Nast\u0119pnie utw\u00f3rzmy szybki wykres rozrzutu, aby zwizualizowa\u0107 relacj\u0119 mi\u0119dzy x<\/em> i y<\/em> :<\/span> <\/p>\n Z wykresu widzimy, \u017ce pomi\u0119dzy dwiema zmiennymi wyst\u0119puje logarytmiczny wz\u00f3r zaniku. Warto\u015b\u0107 zmiennej odpowiedzi y<\/em> pocz\u0105tkowo szybko maleje, a nast\u0119pnie z czasem maleje.<\/span><\/p>\n Dlatego rozs\u0105dne wydaje si\u0119 dopasowanie r\u00f3wnania regresji logarytmicznej do opisania zale\u017cno\u015bci mi\u0119dzy zmiennymi.<\/span><\/p>\n Nast\u0119pnie u\u017cyjemy funkcji Polyfit()<\/strong> , aby dopasowa\u0107 model regresji logarytmicznej, u\u017cywaj\u0105c logarytmu naturalnego x<\/em> jako zmiennej predykcyjnej i y<\/em> jako zmiennej odpowiedzi:<\/span><\/p>\n Mo\u017cemy wykorzysta\u0107 wsp\u00f3\u0142czynniki z wyniku do napisania nast\u0119puj\u0105cego skorygowanego r\u00f3wnania regresji logarytmicznej:<\/span><\/p>\n y = 63,0686 \u2013 20,1987 * ln(x)<\/strong><\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 tego r\u00f3wnania do przewidzenia zmiennej odpowiedzi y<\/em> w oparciu o warto\u015b\u0107 zmiennej predykcyjnej x<\/em> . Na przyk\u0142ad, je\u015bli x<\/em> = 12, przewidywaliby\u015bmy, \u017ce y<\/em> wyniesie 12,87<\/strong> :<\/span><\/p>\n y = 63,0686 \u2013 20,1987 * ln(12) = 12,87<\/strong><\/span><\/p>\n Premia:<\/strong> Skorzystaj z internetowego kalkulatora regresji logarytmicznej, aby automatycznie obliczy\u0107 r\u00f3wnanie regresji logarytmicznej dla danego predyktora i zmiennej odpowiedzi.<\/span><\/p>\n Kompletny przewodnik po regresji liniowej w Pythonie<\/a> Regresja logarytmiczna to rodzaj regresji stosowanej do modelowania sytuacji, w kt\u00f3rych wzrost lub spadek pocz\u0105tkowo gwa\u0142townie przyspiesza, a nast\u0119pnie z czasem zwalnia. Na przyk\u0142ad poni\u017cszy wykres przedstawia przyk\u0142ad rozpadu logarytmicznego: W przypadku tego typu sytuacji zwi\u0105zek mi\u0119dzy zmienn\u0105 predykcyjn\u0105 azmienn\u0105 odpowiedzi mo\u017cna dobrze modelowa\u0107 za pomoc\u0105 regresji logarytmicznej. R\u00f3wnanie modelu regresji logarytmicznej ma nast\u0119puj\u0105c\u0105 posta\u0107: […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1567","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/expregexcel2.png\")
<\/p>\n\n
Krok 1: Utw\u00f3rz dane<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nx = np. arange<\/span> (1, 16, 1)\ny = np. array<\/span> ([59, 50, 44, 38, 33, 28, 23, 20, 17, 15, 13, 12, 11, 10, 9.5])\n<\/strong><\/pre>\n Krok 2: Wizualizuj dane<\/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\/logpython1.png\")
<\/p>\n Krok 3: Dopasuj model regresji logarytmicznej<\/strong><\/span><\/h3>\n
#fit the model<\/span>\nfit = np. polyfit<\/span> (np. log<\/span> (x), y, 1)\n<\/strong>\n#view the output of the model<\/span>\nprint(fit)\n\n[-20.19869943 63.06859979]\n<\/strong><\/pre>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak przeprowadzi\u0107 regresj\u0119 wyk\u0142adnicz\u0105 w Pythonie<\/a>
Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"