Regression

 #0: Egentlig ikke. Det er en faktor der afgør hvor godt dine data passer til dit fit. Du kan principielt fitte et polynomium af grad n til et datasæt med n data og du vil opnå en r^2 på 1.

 Rettelse: Hvor godt dit fit passer til dine data - ikke omvendt. :)

Så jo tættere r^2 er på 1 desto bedre passer mit data til den givende slags funktion?

 #3: Omvendt. Jo bedre passer din funktion til dine data, men husk dog på, at du altid kan opnå en r^2 på 1, hvis du gør som i #1 beskrevet. Det er vigtigt at kende til hvilken type afhængighed, der bør være tale om. Hvis to størrelser er linært afhængige bliver de ikke pludselig eksponentielt afhængige blot fordi et eksponentielt fit vil passe bedre.

Det forstår jeg ikke helt det med n. Hvis jeg har et datasæt ved jeg jo ikke på forhånd om den er llinær eller ekspotentiel. Jeg kan jo ikke på forhånd se hvilken afhængihed der er tale om?

 #5: Det ved man som oftest på forhånd. Enten opgivet i opgaven eller via en teoretisk model. Jeg har endnu ikke været udsat for noget datasæt, jeg ikke vidste hvilken fordeling det skulle fittes til.

Det er nogle tabeller, der bliver brugt i forbindelse med indvandring over nogle år. Det er i forbindelse med SRP.

Så hvis jeg ikke kender en afhængighed på forhånd er r^2 ikke brugbar?

 #7: Jeps. Du kan sige, at en eksponentiel udvikling er mere sandsynlig end en linær, men den kunne jo også godt være linær og dine data bare afviger en smule.

Så ville det vel også give udslag på mit r^2?

 #9: Ikke nødvendigvis - de fleste funktioner kan fittes så de egentlig viser det samme. Det handler blot om ekstreme tilfælde af fitteparametre.

ok så for at argumentere for at et datasæt enten udtrykker en liniær eller ekspotentiel udvikling er r^2 en ok metode, dog med det forbehold at i nogle tilfælde vil...hvad?,,,

#11: I nogle tilfælde vil dine data sagtens kunne approksimeres med en anden fordeling end den, de virkelig følger.