多項式回歸計算器

多項式回歸是線性回歸的強大延伸，會用 n 階多項式來描述自變數 x 與依變數 y 之間的關係。與只擬合直線的簡單線性回歸不同，多項式回歸可以捕捉資料中的曲線、轉折與更複雜的模式，因此當真實世界中的關係明顯不是線性時特別有用。 數學模型可表示為：y = β₀ + β₁x + β₂x² + … + βₙxⁿ，其中係數 β₀ 到 βₙ 透過最小平方法從資料中估計。雖然它擬合的是曲線而不是直線，但因為模型對係數仍是線性的，所以多項式回歸依然被歸類為線性模型。 最小平方法透過最小化殘差平方和來運作，也就是觀測到的 y 值與多項式預測值之間的差異。其作法是解正規方程：(XᵀX)β = Xᵀy，其中 X 是由 x 值建立的 Vandermonde 矩陣。這個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，適用於最高 10 階的多項式。 R²（決定係數）衡量擬合後的多項式對 y 總變異的解釋程度。R² 為 1.0 代表曲線會精確通過所有資料點；0.0 則代表模型無法解釋任何變異。雖然 R² 會隨著多項式階數增加而上升，但高階多項式搭配很高的 R² 也可能代表過度擬合——模型只是記住了訓練資料，而不是抓住真實趨勢。 選擇適當的階數非常重要。1 階會得到一條直線（等同於簡單線性回歸）。2 階（二次）可描述 U 形或倒 U 形模式。3 階（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 階或 3 階通常就足夠了，而超過 5 階或 6 階往往會帶來數值不穩定與過度擬合。 多項式回歸的應用遍及許多領域。工程師用二次模型描述應力-應變關係與拋體運動。經濟學家將三次曲線用於成本函數與生產模型。生物學家把多項式回歸應用在成長曲線與劑量反應研究。資料科學家則常把它當作機器學習流程中的前處理步驟。 使用這個計算器時，請留意外插風險——多項式曲線在觀測資料範圍之外可能會表現得非常極端。請務必結合領域知識驗證預測，並在提高多項式階數之前，先考慮更簡單的模型。