Մենք կարող ենք օգտագործել մեր ֆունկցիան՝ կանխատեսելու կախյալ փոփոխականի արժեքը անկախ փոփոխականի համար, որը դուրս է մեր տվյալների տիրույթից: Այս դեպքում մենք էքստրապոլացիա ենք իրականացնում։ Ենթադրենք, ինչպես նախկինում, x 0-ի և 10-ի միջև եղած տվյալները օգտագործվում են ռեգրեսիոն գիծ ստեղծելու համար y=2x + 5:
Ինչու ենք մենք օգտագործում էքստրապոլացիա:
Էքստրապոլացիան տվյալների հավաքածուից դուրս արժեք գտնելու գործընթացն է: Կարելի է նույնիսկ ասել, որ դա օգնում է կանխատեսել ապագան: … Այս գործիքը ոչ միայն օգտակար է վիճակագրության մեջ, այլև օգտակար է գիտության, բիզնեսի, և ցանկացած ժամանակ, երբ անհրաժեշտություն կա ապագայում կանխատեսել արժեքները, որոնք գերազանցում են մեր չափած միջակայքը:
Որտե՞ղ կարող ենք օգտագործել էքստրապոլացիա:
Էքստրապոլացիան օգտագործվում է գիտական շատ ոլորտներում, ինչպես քիմիայում և ճարտարագիտության մեջ, որտեղ էքստրապոլացիա հաճախ անհրաժեշտ է: Օրինակ, եթե դուք գիտեք որոշակի համակարգի ընթացիկ լարումները, կարող եք էքստրապոլյացնել այդ տվյալները՝ կանխատեսելու համար, թե ինչպես համակարգը կարող է արձագանքել ավելի բարձր լարումներին:
Ե՞րբ կարող ենք տվյալների էքստրապոլյացիա անել:
10.7.
Համապատասխան միջակայքից դուրս էքստրապոլացիան է, երբ Y-ի արժեքները գնահատվում են X տվյալների միջակայքից դուրս: Եթե չդիտարկվող տվյալները (X տվյալների միջակայքից դուրս տվյալները) ոչ գծային են, ապա Y-ի գնահատումները կարող են զգալիորեն դուրս լինել Y արժեքների վստահության միջակայքից:
Ինչու ենք մենք օգտագործում էքստրապոլացիա և ինտերպոլացիա:
Գուշակելու համար օգտագործվում է ինտերպոլացիաարժեքներ, որոնք գոյություն ունեն տվյալների հավաքածուի մեջ, իսկ էքստրապոլացիան օգտագործվում է կանխատեսելու այն արժեքները, որոնք դուրս են տվյալների հավաքածուից և օգտագործում են հայտնի արժեքներ՝ անհայտ արժեքներ կանխատեսելու համար: Հաճախ ինտերպոլացիան ավելի հուսալի է, քան էքստրապոլացիան, սակայն կանխատեսման երկու տեսակներն էլ կարող են արժեքավոր լինել տարբեր նպատակների համար:
