Ano ang Nonlinear Regression
Ang nonlinear regression ay isang form ng pagsusuri ng regresyon kung saan ang data ay akma sa isang modelo at pagkatapos ay ipinahayag bilang isang pag-andar sa matematika. Ang simpleng linear regression ay nauugnay ang dalawang variable (X at Y) na may isang tuwid na linya (y = mx + b), habang ang nonlinear regression ay dapat makabuo ng isang linya (karaniwang isang curve) na parang ang bawat halaga ng Y ay isang random variable. Ang layunin ng modelo ay upang gawing maliit ang bilang ng mga parisukat. Ang kabuuan ng mga parisukat ay isang sukatan na sumusubaybay sa kung gaano kalaki ang mga obserbasyon mula sa ibig sabihin ng set ng data. Ito ay kinakalkula sa pamamagitan ng unang paghahanap ng pagkakaiba sa pagitan ng ibig sabihin at bawat punto ng data sa set. Pagkatapos, ang bawat isa sa mga pagkakaiba-iba ay parisukat. Panghuli, ang lahat ng mga parisukat na mga numero ay idinagdag nang magkasama. Ang mas maliit na kabuuan ng mga parisukat na numero na ito, mas mahusay ang pag-andar na umaangkop sa mga puntos ng data sa hanay. Ang nonlinear regression ay gumagamit ng mga pag-andar ng logarithmic, mga pag-andar ng trigonometriko, mga pag-andar ng eksponensial, at iba pang mga pamamaraan na angkop.
Pagbabagsak ng Hindi linya ng Pagkabagabag
Ang nonlinear regression modeling ay katulad ng sa linear na regression na pagmomolde sa parehong hangarin na subaybayan ang isang partikular na tugon mula sa isang hanay ng mga variable na graphic. Ang mga nonlinear models ay mas kumplikado kaysa sa mga linear na modelo na bubuo dahil ang pag-andar ay nilikha sa pamamagitan ng isang serye ng mga approximations (iterations) na maaaring magmula sa trial-and-error. Ang mga matematiko ay gumagamit ng maraming mga naitatag na pamamaraan, tulad ng pamamaraan ng Gauss-Newton at ang paraan ng Levenberg-Marquardt.
