如何理解离散型数据拟合回归的问题，求大神指导！
求指导！离散型数据拟合回归是指对于给定的离散型数据集，使用一组数学公式（回归模型）来预测或拟合数据的过程。离散型数据是指由有限个数据点组成的数据集合，每个数据点之间是不连续的。
回归分析通常用于研究两个或多个变量之间的关系。 在离散型数据拟合回归中，我们考虑一个自变量和因变量之间的关系，然后使用所选的回归模型对这种关系进行拟合。
回归模型可以使用多种函数表示，例如线性回归、多项式回归、指数回归等等。 然而，在使用回归模型进行拟合时，我们需要寻找最佳拟合曲线或函数，以最好地描述数据集之间的关系。 常用的方法之一是最小二乘法，即通过最小化预测值与实际值之间的误差平方和来确定最佳的拟合曲线或函数。
拟合出的回归模型可以用于预测因变量的值，或者用于了解自变量如何影响因变量。 离散型数据拟合回归可应用于众多领域，例如生物学、经济学、工程学、社会科学等等。
综上所述，离散型数据拟合回归是一种对于离散型数据集中自变量与因变量之间关系进行拟合的方法，通过确定最佳拟合曲线或函数，预测或解释数据的变化。
下面举个例子
假设我们有一组离散型数据，其中包含了一个产品的销售量和广告费用。我们想要确定广告费用和销售量之间的关系，并利用该关系来预测未来的销售量。
下面是一个简单的案例说明如何使用离散型数据拟合回归来解决这个问题：
1. 收集数据：我们收集了一年中每个月的销售数据和相应的广告费用。这些数据是离散型的，每个月只有一个数据点。例如：
| 月份 | 销售量（个） | 广告费用（元） |
| -- | -- | -- |
| 1 | 5000 | 10000 |
| 2 | 7000 | 12000 |
| 3 | 9000 | 15000 |
| 4 | 11000 | 18000 |
| ... | ... | ... |
2. 绘制散点图：我们将收集到的数据绘制成散点图。横坐标为广告费用，纵坐标为销售量。
3. 选择回归模型：我们在选择回归模型时，可以考虑使用线性回归模型、多项式回归模型、指数回归模型等等。这里我们选择使用简单线性回归模型，因为只有一个自变量。
4. 计算参数：使用最小二乘法等方法，计算出线性回归方程中的截距和斜率，以及拟合优度等参数。
5. 绘制回归线：使用计算出的截距和斜率绘制回归线。
6. 判断模型质量：我们可以使用一些统计指标来评估模型质量，例如残差平方和、均方差、决定系数等等。这些指标可以帮助我们判断模型的质量和适用范围，进一步根据需要进行优化和调整。
7. 应用模型：通过拟合的回归模型，我们可以预测不同广告费用下的销售量，并进行决策和规划。
综上所述，离散型数据拟合回归是一种将离散型数据集映射到一条曲线或函数上的方法，以便了解数据之间关系和预测未来趋势。在实际应用中，离散型数据拟合回归通常应用于市场营销、生产管理、财务预测等领域。 其实简单的理解是这样：
首先你要有2组数据，第一组作为基准值，比如客户测试反馈过来的产品指标数据、国家标准实验室检测出的结果，这组数据应尽可能多一些，至少也要5个以上，不然拟合下来会很不准确；第二组数据是你自己测试或者别的途径获得的，然后以基准值为Y，自己测试或者别的方式得到的数据为X，通过做散点图（Excel或者Minitab之类），如果没有条件，你只能手绘，不过这个一般不会没有条件吧。。。Excel还是人手一个的，然后拟合线性，可以选择：线性、指数、对数、多项式之类，然后可以得到一个拟合方程+R²（相关系数），拟合方程知道吧，就是Y=F（X），X相当于自变量，它有个比如一次KX+b=Y，或者二次KX²+aX+b=Y，这样你就可以根据X来得到Y，这就称为拟合嘛，不过拟合的优劣怎么样呢，我们一般用|R|来评估，就是残差的方差/实际数值的方差=R²，然后再开方，得到|R|，评判的标准呢是0.3、0.8，实际我觉得R方要到0.8以上才比较接近；不过这个|R|只是一种评判方式，也有着缺陷，你自己也可以想到别的方式去评判拟合的好坏，总之就是以残差占总体变差的比例或者以别的什么为分母，判断占比，残差越小，说明你的拟合值越接近实际值，如果R=1，那就说明完全能对上 谢谢分享 有意思啊 {:1_180:} ZIP 发表于 2023-5-19 13:52
离散型数据拟合回归是指对于给定的离散型数据集，使用一组数学公式（回归模型）来预测或拟合数据的过程。离 ...
连续性数据可以采用此方法回归，离散型也可以吗？ ZIP 发表于 2023-5-19 13:52
离散型数据拟合回归是指对于给定的离散型数据集，使用一组数学公式（回归模型）来预测或拟合数据的过程。离 ...
谢谢分享
页:
[1]