Regressione lineare e minimi quadrati sono concetti matematici che analizzano statisticamente le variabili e li mette contro una riga per misurare la variazione e la deviazione . Entrambi i concetti sono spesso utilizzati in matematica di base e analisi statistica dei dati . Per la maggior parte , entrambi hanno un approccio simile alla modellazione ma completamente diversi procedimenti e risultati . Scopo

Lo scopo dei minimi quadrati è di avvicinarsi alla soluzione approssimata di equazioni sovrastimato , o equazioni che hanno più variabili sconosciute di nota. In altre parole , il suo scopo principale è quello di isolare variabili incognite e minimizzare il loro effetto sulle variabili note . Lo scopo di regressione lineare è per mostrare la relazione scalabile tra due o più variabili . In regressione lineare , tutte le variabili sono chiaramente noti. Le variabili analizzate mediante regressione lineare incidono direttamente l’un l’altro in modo chiaramente scalabile .

Procedure

La procedura dei minimi quadrati regola i parametri delle variabili sconosciute , al fine di meglio si adattano ai dati . La regressione lineare non regola i parametri di variabili , perché tutti i parametri sono chiaramente definiti . Minimi quadrati creano un residuo che rappresenta la differenza tra il valore effettivo di variabili dipendenti noti e il valore di predizione di variabili indipendenti sconosciuti . Anche in questo caso , la regressione lineare non deve mai fare qualsiasi ipotesi o previsioni durante la procedura . In molti modi , le procedure di regressione lineare sono molto più semplici rispetto a quelle dei minimi quadrati.

Lineare vs non- lineare

Come suggerisce il nome , regressione lineare traccia le sue conclusioni in una linea perfettamente retta che contraddistingue inequivocabilmente una tendenza . Minimi quadrati trame sue conclusioni sia in una curva e una linea retta , a seconda dei dati che vengono analizzati . Sia il metodo dei minimi quadrati trame una linea curva o retta dipende interamente dalla natura del residuo . Se il residuo mostra molti problemi nel rapporto tra i valori delle variabili previsti e conosciuti , la linea viene tracciato come curva . Ma se gli spettacoli residue pochissime interruzioni tra i valori stimati e conosciuti , sarà tracciare una linea retta .

Application

minimi quadrati viene utilizzato per i dati di montaggio e interpretazione del sistema con molte variabili sconosciute . Regressione lineare , invece , è utilizzato in particolare per mostrare le linee di tendenza analizzando i dati ben definiti . Minimi quadrati ha il potenziale per prevedere le tendenze , che apre i risultati all’errore . La regressione lineare non fa un errore; piuttosto , essa mostra chiaramente le tendenze tra le variabili , perché non deve contestare con le variabili sconosciute . La regressione lineare applica ai raffigurante le cose che sono già noti .