多項式迴歸計算器

多項式迴歸是線性迴歸的強大延伸，它將自變數 x 與依變數 y 之間的關係建模為 n 次多項式。不同於擬合直線的簡單線性迴歸，多項式迴歸可以捕捉曲線、彎折以及更複雜的資料模式，因此適用於現實世界中明顯非線性的關係。 其數學模型形式為：y = β₀ + β₁x + β₂x² + … + βₙxⁿ，其中係數 β₀ 到 βₙ 透過最小平方法由資料估計。儘管擬合的是曲線而非直線，多項式迴歸仍被歸類為線性模型，因為它對係數而言是線性的。 最小平方法會最小化殘差平方和，也就是觀測 y 值與多項式預測值之間差異的平方和。這是透過求解正規方程 (XᵀX)β = Xᵀy 完成，其中 X 是由 x 值建構的范德蒙矩陣。本計算器使用高斯消去法求解這些方程，這是一種穩健的數值方法，適合最高 10 次的多項式。 R 平方（R²）即決定係數，用於衡量擬合多項式對 y 總變異性的解釋程度。R² 為 1.0 表示曲線精確通過所有資料點；0.0 表示模型完全無法解釋變異。雖然 R² 總會隨著多項式次數增加而上升，但高次數多項式搭配極高 R² 可能表示過度擬合——模型記住了訓練資料，而不是捕捉真正的底層趨勢。 選擇合適的次數至關重要。1 次給出直線（等同於簡單線性迴歸）。2 次（二次）可捕捉 U 形或倒 U 形模式。3 次（三次）可建模 S 形趨勢或更複雜的成長曲線。對大多數實務資料集而言，2 次或 3 次已經足夠，超過 5 次或 6 次往往會引入數值不穩定與過度擬合。 多項式迴歸的應用遍及許多領域。工程師用二次模型描述應力-應變關係和拋體運動。經濟學家用三次曲線擬合成本函數和生產模型。生物學家將多項式迴歸用於成長曲線和劑量反應研究。資料科學家也會把它作為機器學習流程中的前處理步驟。 使用本計算器時，請注意外推風險——多項式曲線在觀測資料範圍之外可能表現得非常不穩定。務必結合領域知識驗證預測結果，並在提高多項式次數之前先考慮更簡單的模型。