Calculateur de régression de puissance

Ce calculateur accepte des points appariés comme listes parallèles x et y ou comme tableau JSON de paires, rejette toute valeur non positive car les logarithmes y sont indéfinis, et renvoie les séries nettoyées, a, b, R-carré en espace log, diagnostics résiduels et une chaîne d'équation imprimable.

Comment fonctionne la régression de puissance par moindres carrés logarithmiques

La méthode est une arithmétique en virgule flottante déterministe sans graines aléatoires, sans horodatages et sans appels réseau, de sorte que des entrées identiques produisent toujours le même JSON. Si Sxx est nul parce que chaque x est identique, le dénominateur s'annule et aucun exposant fini n'existe, la requête est donc rejetée avec invalid_input plutôt que de renvoyer Infinity ou NaN.

Ce que vous envoyez et ce que vous recevez

Envoyez des données appariées positives sous l'une des deux formes. Ne mélangez pas points avec x et y séparés dans la même requête. Au moins deux paires sont requises, et chaque coordonnée doit être strictement positive pour que les logarithmes naturels soient définis. Les contrôles classiques de manuel incluent x égal à un, deux, quatre, huit avec y égal à trois, douze, quarante-huit, cent quatre-vingt-douze, qui est exactement y égal à trois fois x au carré et doit renvoyer a trois, b deux et R-carré log égal à un. Soit fournissez x et y comme tableaux JSON de nombres finis positifs ou comme chaînes séparées par des virgules, espaces ou points-virgules de même longueur, soit un seul champ points comme tableau JSON de paires à deux éléments [x, y] ou d'objets avec champs numériques x et y. Champs manquants, listes vides, jetons non numériques, NaN, Infinity, décalage de longueur, valeurs non positives et x constant échouent avec invalid_input et ne sont pas facturés. En cas de succès la réponse inclut n, tableaux x et y nettoyés, coefficient a, exposant b, r_squared_log, mean_ln_x et mean_ln_y, sxx_log et sxy_log, ss_res_log et ss_tot_log, valeurs prédites et résidus sur l'échelle d'origine, une chaîne d'équation imprimable du type y égal à a fois x à la b, l'étiquette de méthode log_least_squares et un court rappel de formule. Le tarif des appels API réussis est la base publiée de $0.002 par élément ; les échecs de validation ne consomment pas le solde prépayé.

Où les calculateurs de régression de puissance interviennent dans le travail réel

Les études de laboratoire et de terrain ajustent des relations allométriques telles que le taux métabolique versus la masse corporelle, l'intensité versus la durée ou le comptage versus la magnitude, et ont besoin du même coefficient et exposant pour chaque section de laboratoire. Les équipes d'ingénierie approximment des courbes d'usure, la mise à l'échelle du coût avec la taille ou la force du signal avec la distance via un modèle de puissance simple sans ouvrir une pile de notebooks, puis exportent la chaîne d'équation dans des rapports. Si vous avez ensuite besoin de régression linéaire ordinaire sur l'échelle d'origine, d'ajustements polynomiaux, de modèles exponentiels avec tendance temporelle en base e, de résumés de corrélation seule ou de tests d'hypothèses résiduels, traitez-les comme des intentions de recherche et des pages d'atterrissage distinctes plutôt que de surcharger cette page de calculateur de régression de puissance. Les cours de lycée et d'université assignent constamment des problèmes de lois de puissance, des nuages de points log-log et des exercices d'interprétation de l'exposant ; un oracle unique et fiable qui renvoie a, b et le R-carré en espace log en JSON propre accélère la notation et la préparation des démonstrations. Comme cette capacité est un moteur de parse pur, le tarif API est la base publiée de $0.002 par élément réussi et une validation échouée ne consomme pas le solde.