Σωστά τα λέει ο ekatsaros...

To μοντέλο αυτό που μάλλον είναι προσεγγιστικό, εγώ θα έλεγα ότι είναι αποτέλεσμα supervised learning...

Δλδ μιας και το τελικό αποτέλεσμα είναι hp και τα δεδομένα εισόδου είναι το βάρος και ο χρόνος στο τετρακοσσάρι έχουμε ένα μαύρο κουτί που δίνει το αποτέλεσμα της συνάρτησης:

hp=f(t400,weight)

Αφού το τελικό αποτέλεσμα προκύπτει από διαίρεση μπορούμε λογαριθμώντας να έχουμε

log(hp)=log(A1)+log(A2)=log(weightconst1)+log((t400/const2)^3)=
=log(weight)+log(const1)+3log(t400/const2)=
=log(weight)+log(const1)+3log(t400)-3log(const2)

Από τα παραπάνω προκύπτει ότι έχουμε 2 αγνώστους και συνεπώς θέλουμε 2 αμάξια για να βγάλουμε τις σταθερές.

Αν πάρουμε μετρήσεις από πολλά αυτοκίνητα και θεωρήσουμε κανονική κατανομή στα σφάλματα μπορούμε να προσδιορίσουμε τις δικές μας σταθερές που βολεύουν καλύτερα στα δικά μας δεδομένα κάνοντας μέθοδο ελαχίστων τετραγώνων. Χρησιμοιώντας πάντα αυτό το μοντέλο...

Όμως ένα τέτοιο πρόβλημα μπορεί να λυθεί με πολλούς τρόπους supervised learning (π.χ νευρωνικά δίκτυα, SVM, κτλ).

Η αποτελεσματικότητα του μοντέλου εξαρτάται από τις παραμέτρους που λαμβάνει υπόψη κατά τον προσδιορισμό της υποδύναμης και κατά πόσο και σε τι βαθμό αυτές οι παράμετροι εκφράζουν το φαινόμενο.

Για παράδειγμα το μοντέλο αυτό δεν λαμβάνει υπόψη την μετάδοση της κίνησης, τον αεροδυναμικό συντελεστή και πολλά άλλα. Μπορεί όμως οι παράμετροι που λαμβάνονται υπόψη τώρα να εκφράζουν μεγάλο ποσοστό του variance των δεδομένων και συνεπώς ο τύπος να δίνει καλά αποτελέσματα.

Παιδια...θα ηθελα να το δοκιμασω...το θεμα ειναι πως να υπολογησω το 400αρι? απο τον χιλιομετρητη?!

χμμμμ τα συστηματα τηλεμετριας το ιδιο δεν κανουν και σου βγαζουν κατα προσεγγιση την υποδυναμη??