UK 
EnglishТипова
Polski📈 Лінійна Регресія — МНК
Лінійна регресія методом найменших квадратів: ставте точки, дивіться на пряму найкращого наближення, залишки та коефіцієнт R².
Схожі симуляції
Про Лінійну Регресію — МНК
Ця симуляція наближує розсіювання точок даних прямою методом найменших квадратів (МНК). Ви клацаєте на полотні, щоб додати точки, і пряма миттєво оновлюється, мінімізуючи суму квадратів вертикальних залишків. Нахил обчислюється як m = Σ(xᵢ−x̄)(yᵢ−ȳ) / Σ(xᵢ−x̄)², а зсув — як b = ȳ − m·x̄, що дає єдину найкращу пряму для будь-якого набору з двох і більше точок.
Кнопки режимів дозволяють додавати, перетягувати чи видаляти точки, а Show Residuals перемикає пунктирні вертикальні лінії, які мінімізує МНК. Пресети наборів даних демонструють ідеальні лінійні узгодження, вплив одного викиду, відсутність кореляції та межі наближення прямою квадратичних даних. Статистика в реальному часі показує нахил, зсув, R², Пірсонів r, кількість точок і SSE. Подібна регресія лежить в основі прогнозування, аналізу трендів і машинного навчання.
Часті запитання
Що таке лінійна регресія?
Лінійна регресія знаходить пряму y = m·x + b, яка найкраще описує зв'язок між двома змінними. Ця сторінка використовує метод найменших квадратів, який обирає нахил m і зсув b так, щоб мінімізувати суму квадратів вертикальних відстаней від кожної точки даних до прямої.
Як працює метод найменших квадратів?
МНК вимірює вертикальний залишок для кожної точки, підносить його до квадрата й підсумовує квадрати. Потім обирається єдина пряма, що робить цю суму (SSE) якомога меншою. Мінімум має замкнутий розв'язок, тож пряма обчислюється напряму, а не методом проб і помилок.
Що роблять елементи керування на цій сторінці?
Add Points, Drag і Delete змінюють, як кліки впливають на розсіювання точок; Show Residuals перемикає пунктирні вертикальні лінії похибок; Undo скасовує останню зміну, а Clear All очищає полотно. Кнопки пресетів завантажують приклади наборів даних, а картки статистики оновлюються в реальному часі: нахил, зсув, R², Пірсонів r, n і SSE.
Яке рівняння використовується для обчислення прямої?
Нахил дорівнює m = Σ(xᵢ−x̄)(yᵢ−ȳ) / Σ(xᵢ−x̄)² — коваріація x і y, поділена на дисперсію x. Зсув тоді випливає з b = ȳ − m·x̄, що змушує пряму проходити через середню точку (x̄, ȳ).
Що означає R²?
R² — коефіцієнт детермінації, частка загальної дисперсії y, поясненої прямою: R² = 1 − SSE/SST. Значення 1 означає ідеальне узгодження без залишкової похибки, а 0 — що пряма не пояснює нічого понад середнє значення y.
Як Пірсонів r пов'язаний з R²?
Пірсонів r вимірює силу й напрямок лінійного зв'язку, у діапазоні від −1 до +1. Для простої лінійної регресії він дорівнює кореню квадратному з R² зі знаком, тож симуляція бере знак від нахилу: r = sign(m)·√R².
Чому один викид так сильно змінює пряму?
Оскільки МНК підносить кожен залишок до квадрата, точки, далекі від прямої, вносять непропорційно великий внесок у загальну похибку. Один віддалений викид може помітно змістити нахил і зсув, як демонструє пресет Outlier Effect. Ця чутливість — причина, чому метод найменших квадратів не є стійким до екстремальних значень.
Що відбувається з квадратичним пресетом?
Пресет Quadratic генерує криві дані, які жодна пряма не може добре наблизити. МНК все одно повертає найкращу лінійну апроксимацію, але залишки лишаються великими, а R² падає, ілюструючи, що лінійна регресія вловлює лише лінійні тенденції й систематично пропускає кривизну даних.
Чи математично точна ця симуляція?
Так. Вона використовує точні замкнуті формули МНК для нахилу й зсуву та обчислює SSE, SST, R² і r безпосередньо з точок. Єдині практичні обмеження — похибки округлення чисел із рухомою комою та те, що значення обмежені видимим діапазоном побудови 0–10.
Де лінійна регресія використовується в реальному світі?
Це один із найпоширеніших статистичних інструментів, що застосовується в економіці, біології, інженерії та фінансах для оцінки трендів і прогнозування. Вона також є базовою моделлю в машинному навчанні, де та сама ідея найменших квадратів узагальнюється на багато змінних-предикторів.