DRS

شرح

افراد در طول آزمایش و تولید بسیاری از داده های مرتبط با دو یا بیشتر از دو بعد را بدست می آورند. برعکس ، این داده ها به آنها کمک می کند تا مشکلات واقعیت را حل کنند ، که برای پردازش داده ها به مدل ریاضی منعکس کننده تنظیم تغییرات داده ها نیاز دارند. استفاده از روش حداقل مربعات فقط می تواند رگرسیون خطی ایجاد کند ، اما برای مشکلات غیرخطی باید بیان رابطه رابطه ریاضی ، یعنی مدل مکانیزم را از طریق روش فرض کنیم که پردازش خطی مدل مکانیزم را انجام دهد و سپس محاسبه مدل رگرسیون را انجام دهد. برخی از داده های مربوط به مدل های بازگشتی خوب هستند ، اما داده های واقعیت قابل تغییر هستند ، برخی از مدل های مکانیسم استنباط می کنند. بعد از فرآیند خطی ویژگی همبستگی مدل رگرسیون خوب نیست و برخی از داده های مرتبط حتی نمی توانند در مدل مکانیسم استنباط کنند. ساخت مدل های ریاضی - ریاضی حتی دشوارتر است. روش حداقل مکعبی مشکلاتی را حل می کند که رگرسیون داده های روش حداقل مربعات در رگرسیون داده های مرتبط با آنها روبرو شده است. از آنجا که رایانه ها به طور گسترده در آزمایش ، طراحی و تولید استفاده می شوند ، محاسبات رگرسیون مبتنی بر تئوری روش حداقل مکعب را به واقعیت تبدیل می کند. افراد نه تنها می توانند مدل مکانیزم را از طریق پردازش خطی رگرسیون بهتر پردازش کنند ، بلکه می توانند یک مدل ریاضی صدا به داده های مرتبط بدهند که نمی تواند مدل های مکانیزم را استنباط کند.