Tendrás muchas respuestas que te explicarán que es imposible que un sistema de software (incluido el súper IA con aprendizaje profundo) conozca y pruebe todas las fórmulas posibles. Lo mejor que puede hacer es restringir a un determinado conjunto de modelos (polinomios, logística, Weilbull, …) y ajustar sus parámetros.
Ahora, un experimento simple le explicará dónde está la verdadera dificultad: tome dos columnas de números aleatorios y haga una regresión lineal más simple para explicar una por la otra. Probablemente se sorprenderá de los hechos de que el error no es tan grande como se esperaba, pero ese es un sesgo conocido. Haga esto varias veces y conserve el mejor resultado. Pare cuando tenga una predicción “buena” de sus datos aleatorios por algunos datos aleatorios.
Es posible que tenga que ser paciente, pero cada uno será un punto en el que su ajuste es bonito, bonito Dios, digamos menos del 1%. Pero, ¿aprendiste algo? ¿Estaría seguro de usar su fórmula en la vida real?
La precisión / exactitud / veracidad de una ecuación de ajuste es algo. El nivel de confianza en el modelo es algo totalmente diferente.
- ¿Por qué los gráficos cuadráticos son siempre simétricos?
- ¿Cómo se escriben las ecuaciones logarítmicas?
- Dado que todo en el universo se resuelve con números y ecuaciones, ¿cómo explicaría el estado de América en una ecuación? ¿Qué estado sería Estados Unidos en el futuro cercano?
- ¿Cuáles son algunas ecuaciones para polinomios cúbicos que tienen dos raíces imaginarias y una raíz real?
- Si la ecuación [matemática] x ^ 4- (k-1) x ^ 2 + 2-k = 0 [/ matemática] tiene 4 raíces reales distintas, ¿cuál es el rango de valores posibles de la k real?
