ndCurveMaster for mac OS 1.2.2
Anda boleh memuat turun dalam masa 5 saat.
Tentang ndCurveMaster for mac OS
ndCurveMaster direka untuk mencari persamaan optimum untuk menerangkan data empirikal menggunakan kaedah regresi. ndCurveMaster adalah program pertama dan satu-satunya untuk mencari persamaan yang ideal untuk membolehkan auto pemasangan bilangan pembolehubah input tanpa had, sebagai contoh: y= a0 + a1*x1^(-11) + a2*x3 + a3*x5^3 + a4*[ln(x8)]^3 + a5*[exp(x1*x4)]^(-2) + a6*x1*x8^2 + a7*ln(x2*x6) + a8*x2*x4*x4*x4*x4*x4*x4*x4* x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x3*x4*x3*x8^2 + a7*ln(x2*x6) + a8*x2*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x4*x3*x4*x3*x4*x4*x4*x4*x4*x3*x3* ndCurveMaster menggunakan teknik heuristik untuk kelengkapan lengkung. Perisian ini direka dengan tujuan menjana hasil dan output berkualiti tinggi sambil menjimatkan masa anda dalam proses. ndCurveMaster membandingkan dengan sangat baik untuk persaingan dan berbuat demikian pada harga yang lebih rendah. Ciri-ciri Umum: - pemasangan automatik bilangan pembolehubah input tanpa had: x1, x2, x3,..., xn dan kombinasi mereka: x1*x2, x1*x3, x2*x3,..., xn-1*xn - teknik heuristik untuk kelengkapan lengkung - pengguna boleh berulang kali menambah persamaan baru kepada mana-mana model daripada senarai kedudukan - pengguna boleh memulakan prosedur regresi langkah demi langkah dengan penghapusan ke belakang pembolehubah yang paling penting dari mana-mana model dari senarai kedudukan - membina dalam set termasuk 120 pelbagai persamaan bukanlinear - berkuasa dan mudah digunakan - multivariate tanpa had - analisis statistik penuh - regresi langkah demi langkah dengan penghapusan mundur - sejarah dan kedudukan keputusan - salin atau simpan ke pilihan fail CSV - apa-apa nilai tahap kepentingan alpha, - tutorial video, - satu kekunci lesen sah untuk sistem Windows dan Mac OS. ndCurveMaster menggunakan teknik heuristik untuk kelengkapan lengkung dan melaksanakan algoritma saintifik. Ini meningkatkan penemuan model yang lebih baik. Tetapi walaupun anda menggunakan set data yang sama setiap kali: - cara mencari model terbaik akan berbeza, - dan model mungkin berbeza.