指数回归计算器

指数回归是一种曲线拟合技术，用于为给定的数据点集寻找最匹配的指数函数 y = ab^x。当数据呈现指数增长或衰减时，就适合使用这种方法——从图形上看，数据点通常会形成 J 形曲线（增长）或向下弯曲的凹形曲线（衰减）。指数模型在取对数后会变成线性形式：对两边取自然对数可得 ln(y) = ln(a) + x·ln(b)，这就是关于 ln(y) 和 x 的线性方程。 拟合过程采用对线性化方程应用最小二乘法的方式。具体来说，我们在 ln(y) 空间中最小化残差平方和。由此可得公式：ln(b) = [n·Σ(x·ln y) − Σx·Σ(ln y)] / [n·Σx² − (Σx)²]，以及 ln(a) = [Σ(ln y) − ln(b)·Σx] / n，从而恢复 a = e^(ln a) 和 b = e^(ln b)。 模型 y = ab^x 可以这样理解。系数 a 是 y 截距：它表示 x = 0 时 y 的值。底数 b 控制变化率：如果 b > 1，模型表示增长，每增加 1 个 x，y 都会按 b 的倍数变化（例如 b = 1.05 表示 x 每增加 1，增长 5%）。如果 0 < b < 1，模型表示衰减。增长率百分比为 (b − 1) × 100%。 决定系数 R² 用 0 到 1 的尺度衡量模型与数据的拟合程度。R² = 0.95 表示原始 y 值中有 95% 的方差可由指数模型解释。对于科学数据来说，R² 高于 0.90 通常可认为拟合良好。相关系数 R = √R² × sign(ln b) 表示指数关系的方向与强度。 重要限制：由于对数在 0 和负数上无定义，指数回归要求所有 y 值都为正。如果你的数据包含非正 y 值，可能需要对数据进行变换或平移，或者考虑改用其他回归模型，例如多项式回归。