Curve fitting[1][2] is the process

Curve fitting[1][2] is the process of constructing a curve, or mathematical function, that has the best fit to a series of data points,[3] possibly subject to constraints.[4][5] Curve fitting can involve either interpolation,[6][7] where an exact fit to the data is required, or smoothing,[8][9] in which a "smooth" function is constructed that approximately fits the data. A related topic is regression analysis,[10][11] which focuses more on questions of statistical inference such as how much uncertainty is present in a curve that is fit to data observed with random errors. Fitted curves can be used as an aid for data visualization,[12][13] to infer values of a function where no data are available,[14] and to summarize the relationships among two or more variables.[15] Extrapolation refers to the use of a fitted curve beyond the range of the observed data,[16] and is subject to a degree of uncertainty[17] since it may reflect the method used to construct the curve as much as it reflects the observed data.

ผลลัพธ์ (ไทย) 1:

เส้นโค้ง [1] [2] เป็นกระบวนการสร้างเส้นโค้ง หรือฟังก์ชั่นทางคณิตศาสตร์ ที่ดีที่สุดกับชุดของข้อมูลจุด, [3] อาจจะ มีข้อจำกัด [4] [5] โค้งกระชับสามารถเกี่ยวข้องกับการแก้ไข, [6] [7] พอดีเป็นที่แน่นอนข้อมูลที่จำเป็น หรือให้ เรียบ, [8] [9] ซึ่งสร้างฟังก์ชัน "ราบรื่น" ที่เหมาะสมกับข้อมูลประมาณการ หัวข้อที่เกี่ยวข้องเป็นการวิเคราะห์การถดถอย , [10] [11] ซึ่งมุ่งเน้นเพิ่มเติมในคำถามของการอนุมานทางสถิติเช่นความไม่แน่นอนเท่าใดอยู่ในโค้งที่เหมาะสมกับข้อมูลที่ตรวจสอบ มีข้อผิดพลาดแบบสุ่ม เส้นโค้งประกอบสามารถใช้เป็นตัวช่วยสำหรับการแสดงข้อมูล, [12] [13] เพื่อสรุปค่าของฟังก์ชันได้ ไม่มีข้อมูล [14] และสรุปความสัมพันธ์ระหว่างตัวแปรสองตัว หรือมากกว่า [15] ประมาณค่านอกช่วงหมายถึงการใช้เส้นโค้งประกอบนอกช่วงของข้อมูลจากการสังเกต, [16] และอยู่ภายใต้ความไม่แน่นอน [17] เนื่องอาจสะท้อนถึงวิธีการที่ใช้สร้างเส้นโค้งมากที่สุดเท่าที่จะสะท้อนถึงข้อมูลจากการสังเกต

ผลลัพธ์ (ไทย) 2:

เส้นโค้ง [1] [2] เป็นกระบวนการของการสร้างเส้นโค้งหรือฟังก์ชั่นทางคณิตศาสตร์ที่มีแบบที่ดีที่สุดให้กับชุดของจุดข้อมูลที่ [3] อาจจะเป็นภายใต้ข้อ จำกัด . [4] [5] ปรับเส้นโค้งสามารถมีส่วนร่วม ทั้งการแก้ไข [6] [7] ที่ใส่ได้พอดีกับข้อมูลที่จำเป็นต้องมีการปรับให้เรียบหรือ [8] [9] ซึ่งเป็นฟังก์ชั่น "เรียบ" ที่สร้างขึ้นมาว่าประมาณเหมาะกับข้อมูล หัวข้อที่เกี่ยวข้องคือการวิเคราะห์การถดถอย [10] [11] ซึ่งมุ่งเน้นเพิ่มเติมเกี่ยวกับคำถามของการอนุมานทางสถิติเช่นวิธีการความไม่แน่นอนมากในปัจจุบันคือเส้นโค้งที่เหมาะสมกับข้อมูลที่สังเกตมีข้อผิดพลาดแบบสุ่ม เส้นโค้งที่ติดตั้งสามารถนำมาใช้เป็นตัวช่วยสำหรับการแสดงข้อมูลที่ [12] [13] เพื่อสรุปค่าของฟังก์ชั่นที่ไม่มีข้อมูลที่มีอยู่ [14] และจะสรุปความสัมพันธ์ระหว่างสองคนหรือมากกว่าตัวแปร. [15] อนุมานหมายถึง การใช้เส้นโค้งการติดตั้งเกินช่วงของข้อมูลที่สังเกตได้ [16] และอาจมีการศึกษาระดับปริญญาของความไม่แน่นอน [17] เพราะมันอาจสะท้อนให้เห็นถึงวิธีการที่ใช้ในการสร้างเส้นโค้งมากที่สุดเท่าที่จะสะท้อนให้เห็นถึงข้อมูลที่สังเกต

ผลลัพธ์ (ไทย) 3:

การปรับเส้นโค้ง [ 1 ] [ 2 ] คือ กระบวนการของการสร้างเส้นโค้งหรือฟังก์ชันทางคณิตศาสตร์ว่ามีขนาดที่พอดีกับชุดของจุดข้อมูล [ 3 ] อาจจะขึ้นอยู่กับข้อจำกัด [ 4 ] [ 5 ] การปรับเส้นโค้งสามารถเกี่ยวข้องกับทั้งสอดแทรก , [ 6 ] [ 7 ] ซึ่งแน่นอน พอดีกับ ข้อมูลที่ถูกต้อง หรือให้เรียบ [ 8 ] [ 9 ] ที่ " เนียน " ฟังก์ชันถูกสร้างและเหมาะสมกับข้อมูล หัวข้อที่เกี่ยวข้องคือ การวิเคราะห์การถดถอย , [ 10 ] [ 11 ] ซึ่งเน้นไปที่คำถามของการอนุมานทางสถิติ เช่น ความไม่แน่นอนเท่าไหร่อยู่ในเส้นโค้งที่พอดีกับข้อมูลและข้อผิดพลาดแบบสุ่ม เข็มขัดโค้งสามารถใช้เป็นเครื่องช่วยในการมองเห็นข้อมูล [ 12 ] [ 13 ] สรุปว่าค่าของฟังก์ชันที่ไม่มีข้อมูลที่ใช้ได้ [ 14 ] และสรุปผลความสัมพันธ์ระหว่างตัวแปรสองตัวหรือมากกว่า [ 15 ] ทำไมถึงใช้เป็นเข็มขัดโค้งเกินช่วงของการตรวจสอบข้อมูล [ 16 ] และอยู่ภายใต้ระดับของความไม่แน่นอน [ 17 ] เนื่องจากมันอาจจะสะท้อนให้เห็นถึงวิธีการที่ใช้ในการสร้างเส้นโค้งเท่าที่มันสะท้อนให้เห็นถึงการตรวจสอบข้อมูล