多項式回帰計算機

多項式回帰は線形回帰を強力に拡張した手法で、独立変数 x と従属変数 y の関係を n 次多項式としてモデル化します。直線を当てはめる単純線形回帰とは異なり、多項式回帰は曲線、曲がり、より複雑なデータパターンを捉えられるため、現実の関係が明らかに非線形である場合に役立ちます。 数学モデルは y = β₀ + β₁x + β₂x² + … + βₙxⁿ の形を取り、係数 β₀ から βₙ は最小二乗法によってデータから推定されます。直線ではなく曲線を当てはめるにもかかわらず、多項式回帰は係数に関して線形であるため、線形モデルに分類されます。 最小二乗法は、観測された y 値と多項式による予測値との差である残差の二乗和を最小化します。これは正規方程式 (XᵀX)β = Xᵀy を解くことで行われます。ここで X は x 値から構成されるヴァンデルモンド行列です。この計算機は、10 次までの多項式に適した堅牢な数値手法であるガウス消去法を使ってこれらの方程式を解きます。 R 二乗（R²）、すなわち決定係数は、当てはめた多項式が y の全変動をどの程度説明できるかを測ります。R² が 1.0 の場合、曲線はすべてのデータ点を正確に通ります。0.0 の場合、モデルは分散をまったく説明できません。R² は多項式次数を上げるほど常に増加しますが、高次数多項式で非常に高い R² が出る場合、真の基礎的傾向を捉えるのではなく学習データを記憶している過学習を示すことがあります。 適切な次数の選択は重要です。次数 1 は直線（単純線形回帰と同等）です。次数 2（二次）は U 字型または逆 U 字型のパターンを捉えます。次数 3（三次）は S 字型の傾向やより複雑な成長曲線をモデル化できます。多くの実用的なデータセットでは 2 次または 3 次で十分であり、5 次や 6 次を超えると数値的不安定性や過学習が生じやすくなります。 多項式回帰の応用は多くの分野に広がっています。エンジニアは応力-ひずみ関係や放物運動に二次モデルを使います。経済学者は費用関数や生産モデルに三次曲線を当てはめます。生物学者は成長曲線や用量反応研究に多項式回帰を適用します。データサイエンティストは機械学習パイプラインの前処理ステップとしても利用します。 この計算機を使う際は、外挿リスクに注意してください。多項式曲線は観測データの範囲外で大きく不安定な挙動を示すことがあります。予測は必ず領域知識と照合し、多項式次数を上げる前に、まずより単純なモデルを検討してください。