Least Squares is a method of curve

Least Squares is a method of curve fitting that has been popular for a long time. Least Squares minimizes
the square of the error between the original data and the values predicted by the equation. While this
technique may not be the most statistically robust method of fitting a function to a data set, it has the
advantage of being relatively simple (in terms of required computing power) and of being well understood.
The major weakness of the Least Squared method is its sensitivity to outliers in the data. If a data point is
widely different from the majority of the data, it can skew the results of the regression. For this reason, the
data should always be examined for reasonableness before fitting. KaleidaGraph’s Data Selection tool
provides a simple method of graphically removing outliers from a plot

ผลลัพธ์ (ไทย) 1:

สี่เหลี่ยมอย่างน้อยเป็นวิธีการของเส้นโค้งที่ได้รับความนิยมเป็นเวลานาน สี่เหลี่ยมอย่างน้อยลดตารางข้อผิดพลาดระหว่างข้อมูลต้นฉบับและค่าตามสมการ ในขณะนี้เทคนิคอาจเป็นวิธีแข็งแกร่งที่สุดทางสถิติของฟังก์ชั่นการชุดข้อมูล มีการประโยชน์ ของการค่อนข้างง่าย (ในแง่ของพลังงานที่จำเป็นใช้งาน) และการเข้าใจดีจุดอ่อนสำคัญของวิธีการน้อย Squared เป็นความไวของ outliers ในข้อมูล ถ้ามีจุดข้อมูลกันแตกต่างจากส่วนใหญ่ของข้อมูล มันสามารถเอียงผลของการถดถอย ด้วยเหตุนี้ การข้อมูลควรเสมอจะถูกระงับการสมก่อนติดตั้ง เครื่องมือการเลือกข้อมูลของ KaleidaGraphมีวิธีง่าย ๆ เอา outliers จากแผนภาพ

ผลลัพธ์ (ไทย) 2:

แควน้อยเป็นวิธีการของเส้นโค้งที่ได้รับความนิยมมาเป็นเวลานาน แควน้อยลด
ตารางของข้อผิดพลาดระหว่างข้อมูลเดิมและมูลค่าตามคำทำนายของสมการ ขณะนี้
เทคนิคที่ไม่อาจจะเป็นวิธีการที่มีประสิทธิภาพทางสถิติมากที่สุดของการกระชับฟังก์ชั่นชุดข้อมูล แต่ก็มี
ข้อได้เปรียบของการเป็นที่ค่อนข้างง่าย (ในแง่ของอำนาจการใช้คอมพิวเตอร์ที่จำเป็น) และถูกเข้าใจกัน.
จุดอ่อนที่สำคัญของวิธีการ Squared น้อยที่สุด เป็นความไวในการค่าผิดปกติในข้อมูล หากจุดข้อมูลที่เป็น
กันอย่างแพร่หลายที่แตกต่างจากคนส่วนใหญ่ของข้อมูลก็สามารถเอียงผลของการถดถอยที่ ด้วยเหตุนี้
ข้อมูลที่ควรได้รับการตรวจสอบความสมเหตุสมผลก่อนที่จะกระชับ เครื่องมือการเลือกข้อมูล KaleidaGraph ของ
มีวิธีการที่เรียบง่ายของค่าผิดปกติกราฟิกออกจากพล็อต

ผลลัพธ์ (ไทย) 3:

อย่างน้อยเป็นวิธีการของการปรับเส้นโค้งที่ได้รับความนิยมมาเป็นเวลานาน อย่างน้อยลดตารางของข้อผิดพลาดระหว่างข้อมูลเดิมและค่าทำนายจากสมการ ขณะ นี้เทคนิค อาจจะไม่ใช่วิธีที่เหมาะสมที่สุดของฟังก์ชันทางสถิติ ( ชุดข้อมูล มันมีประโยชน์ของการเป็นค่อนข้างง่าย ( ในแง่ของการใช้พลังงานคอมพิวเตอร์ ) และของถูกดีเข้าใจจุดอ่อนที่สำคัญของวิธีกำลังสองน้อยที่สุดของความผิดปกติในข้อมูล ถ้าจุดข้อมูลอย่างกว้างขวางแตกต่างจากส่วนใหญ่ของข้อมูล มันสามารถทำให้ผลลัพธ์ของการถดถอย ด้วยเหตุผลนี้ข้อมูลควรตรวจสอบก่อนเพื่อความเหมาะสม kaleidagraph เป็นเครื่องมือเลือกข้อมูลให้วิธีที่ง่ายของกราฟิกการผิดปกติจากพล็อต