Regresjon og modellvalg i Matematikk R1

Matematikk R1 · Modellering og reelle datasett

Veve datapunkter, modellkurver, residualer og validering sammen til én etterprøvbar beslutning. Her lærer du ikke bare å finne en regresjonsfunksjon – du lærer å avgjøre om modellen fortjener å bli brukt.

Utforsk 120 arbeidsflyterÅpne modelljuryen120arbeidsflyter 10modellområder 120/120kodekontroller 24FAQ-svar Lineær kandidat Eksponentiell kandidat Logistisk kandidat Validering og residualer StartModellvalg120 arbeidsflyterModelljurySetningsstartereFeilklinikkFAQR1-lenker

Fra datapunkt til beslutning

En god modell er mer enn en kurve som ser riktig ut

R1 krever arbeid med reelle datasett, eksponentiell og logistisk vekst og analyse av egne modeller. Derfor må modellarbeidet vise både matematisk tilpasning og kritisk vurdering.

Læreplanforankring: Siden støtter kompetanse i selvstendig arbeid med reelle datasett, analyse og presentasjon av funn, bruk av derivasjon på egne modeller og modellering av eksponentiell og logistisk vekst. Arbeidsflytene er nye Ifingo-eksempler, ikke offisielle eksamensoppgaver. 1. Form før treff

Velg kandidater som gir mening i situasjonen. En lav feil kan ikke gjøre en umulig modell faglig riktig.

2. Residualer før rangering

Se hvordan modellen bommer. Systematiske restmønstre avslører struktur som ett samlet treffmål kan skjule.

3. Validering før prognose

En modell må vise at den fungerer på mer enn punktene som bestemte parameterne, særlig når den brukes til prognose.

◆ 1. Datagrunnlag, spørsmål og kvalitet Start med et presist spørsmål, ryddige variabler, dokumenterte enheter og en datakontroll som avdekker mangler, avvik og uheldig utvalg. ↗ 2. Lineær regresjon og tolkning Tilpass og vurder lineære modeller med tydelig parameterfortolkning, residualanalyse, forklaringsgrad og kontroll av gyldighetsområde. ∿ 3. Polynomisk regresjon og kompleksitet Bruk polynommodeller når dataene har krumning, men kontroller grad, randatferd, stabilitet og risiko for overtilpasning. e 4. Eksponentiell regresjon og vekst Modeller multiplikativ vekst eller nedgang, og tolk startverdi, vekstrate, vekstfaktor, doblingstid og restmønster på original skala. S 5. Logistisk regresjon og metning Tilpass logistiske modeller til vekst med metning, og tolk bæreevne, infleksjon, vekstrate, terskler og parameterfølsomhet. ε 6. Residualer, feilmål og diagnostikk Gå bak ett enkelt treffmål: studer residualenes størrelse, tegn, mønster, skala og fordeling før du godtar modellen. ⚖ 7. Sammenligning og faglig modellvalg Velg modell ut fra både tall, residualer, matematisk form, mekanisme, enkelhet, tolkbarhet og gyldighetsområde. ✓ 8. Validering og overtilpasning Skill tilpasning fra generalisering med kontrollsett, kryssvalidering, tidsriktig deling og eksplisitt vern mot datalekkasje. ± 9. Usikkerhet, følsomhet og ekstrapolasjon Undersøk hvor stabile parameterne og prognosene er når datapunkter, målefeil, startverdier eller gyldighetsområde endres. ▤ 10. Tolkning, dokumentasjon og presentasjon Gjør modelleringen etterprøvbar med kilde, variabler, enheter, kode, parameterfortolkning, residualkontroll, begrensninger og konklusjon. Alle modellområder 1. Datagrunnlag, spørsmål og kvalitet 2. Lineær regresjon og tolkning 3. Polynomisk regresjon og kompleksitet 4. Eksponentiell regresjon og vekst 5. Logistisk regresjon og metning 6. Residualer, feilmål og diagnostikk 7. Sammenligning og faglig modellvalg 8. Validering og overtilpasning 9. Usikkerhet, følsomhet og ekstrapolasjon 10. Tolkning, dokumentasjon og presentasjon Alle nivåer Start Presis Avansert Tilfeldig arbeidsflyt 120 av 120 ◆

12 arbeidsflyter

1. Datagrunnlag, spørsmål og kvalitet

Start med et presist spørsmål, ryddige variabler, dokumenterte enheter og en datakontroll som avdekker mangler, avvik og uheldig utvalg.

001 lineær Start

Datagrunnlag: formuler respons- og forklaringsvariabel

Bruke «formuler respons- og forklaringsvariabel» til å gjøre et etterprøvbart modellvalg med datasett, matematisk form, residualkontroll, validering og faglig tolkning.

◆ målt respons over like tidsintervaller Matematisk kjerne x i Åpne datasettet

Nr.	x	y
1	0	2.56
2	1	3.63
3	2	5.18
4	3	6.39
5	4	7.91
6	5	9.01
7	6	10.57
8	7	11.81

Datasettet er et nytt Ifingo-demonstrasjonssett. Det skal brukes til metode- og tolkningsøvelse, ikke som dokumentasjon av en virkelig undersøkelse.

Arbeidsflyt og modellkontroll

1. Formuler spørsmålet og identifiser forklaringsvariabel, responsvariabel, enheter, datakilde og gyldighetsområde.
2. Undersøk datapunktene før tilpasning: se etter mønster, mangler, avvik, metning, krumning og endringer i varians.
3. Tilpass minst én relevant kandidat og oppgi modellfunksjon, parametere og hvordan beregningen er gjennomført.
4. Kontroller residualer og minst ett feilmål. Bruk kontrollpunkter eller kryssvalidering når modellen skal generalisere.
5. Velg modell med en samlet begrunnelse og avslutt med tolkning, begrensninger, usikkerhet og eventuell ekstrapolasjonsadvarsel.

Formen skal passe den faglige mekanismen, ikke bare punktskyen. Residualene bør være små uten tydelig systematisk mønster. Kontrollfeilen skal vurderes når modellen brukes utenfor treningspunktene. Parameterne må ha meningsfulle tegn, enheter og størrelsesorden. En mer komplisert modell må gi en reell og dokumentert forbedring. Python – kjørbar modellkontroll Python-kode Kopier kode

import numpy as np import math from numpy.polynomial import Polynomial from scipy.optimize import curve_fit np.set_printoptions(precision=4, suppress=True) x = np.array([0, 1, 2, 3, 4, 5, 6, 7], dtype=float) y = np.array([2.56, 3.63, 5.18, 6.39, 7.91, 9.01, 10.57, 11.81], dtype=float) print({'forklaringsvariabel':'x','responsvariabel':'y','observasjoner':len(x)})

Kontrollert output

{'forklaringsvariabel': 'x', 'responsvariabel': 'y', 'observasjoner': 8}

Tolkning, validering og dokumentasjon

Tolkning: Start med et presist spørsmål, ryddige variabler, dokumenterte enheter og en datakontroll som avdekker mangler, avvik og uheldig utvalg. I denne arbeidsflyten betyr et godt resultat at både tallene og den matematiske fortellingen peker i samme retning. Knytt parameterne til datasettet, forklar hva residualene avslører, og skill tydelig mellom beskrivelse innenfor dataintervallet og prognose utenfor det.

Validering: Modellen må prøves på observasjoner eller kriterier som ikke alene bestemte parameterne. Ved små datasett kan leave-one-out, tidsordnet holdout eller en enkel sensitivitetsanalyse gi mer informasjon enn bare treningstreff.

Vanlig svakt svar

Et svakt svar oppgir bare en regresjonsfunksjon og en høy forklaringsgrad. Det mangler datakontroll, parameterfortolkning, residualmønster, validering, faglig plausibilitet, gyldighetsområde og en tydelig begrunnelse for hvorfor modellen er bedre enn alternativene.

Reparasjon

Vis datasettet og modellkandidatene, beregn residualer og minst ett feilmål, kontroller modellen på nye eller utelatte punkter, tolk parameterne med enheter og avslutt med begrensninger og eventuell ekstrapolasjonsadvarsel.

Dokumentasjonssetning: Jeg undersøkte målt respons over like tidsintervaller, tilpasset og kontrollerte en lineær modell, vurderte residualer og valideringsfeil, og valgte modellen ut fra både matematisk treff, enkelhet, plausibilitet og gyldighetsområde.

002 lineær Start

Datagrunnlag: kontroller enheter og skala

Bruke «kontroller enheter og skala» til å gjøre et etterprøvbart modellvalg med datasett, matematisk form, residualkontroll, validering og faglig tolkning.

◆ målt respons over like tidsintervaller Matematisk kjerne [x]=tid Åpne datasettet

Nr.	x	y
1	0	2.914
2	1	4.057
3	2	5.692
4	3	6.979
5	4	8.583
6	5	9.757
7	6	11.4
8	7	12.72

Datasettet er et nytt Ifingo-demonstrasjonssett. Det skal brukes til metode- og tolkningsøvelse, ikke som dokumentasjon av en virkelig undersøkelse. …