Feedback

• Das Ergebnis bleibt bei geändertem $a$ weitgehend gleich, wenn das optimale $a_{opt}$  (etwa 500) in dem untersuchten Bereich [0, 21a] liegt.
• Bei sehr kleinem $k$ weicht die berechnete Funktion weit von den Daten ab; in solchen Fällen liegt das optimale $k_{opt}$ (etwa 0.135) nicht in untersuchtem Bereich [0, 2k] und daher wird kein Optimum gefunden.

Feedback

Die Variable timesWHO muss angepasst werden.

Das Ergebnis der Regression ist nicht so gut, weil die Daten etwas über den Gültigkeitsbereich des Exponentiellen Modells hinausgehen. Verkürzen Sie die untersuchte Periode!

Feedback

Die Laufzeit des hier implementierten Regressionsalgorithmus hängt nicht von der Wahl der Startwerte ab, da die Grenzen der for-Schleifen unabhängig von diesen Werten sind.

Feedback

Der hier vorgestellte Algorithmus berechnet das Residuum für alle möglichen Startwerte von $a$ und $k$. So findet er im untersuchten Bereich ein globales Minimum.

Statt alle Werte zu berechnen könnte man, nachdem man z.B. erst für $(a_1,k)$ das Residuum $r_1$ und danach für $(a_2,k)$ das Residuum $r_2 > r_1$ erhalten hat, alle Werte $a$ ignorieren, die von $a_1$ weiter als $a_2$ entfernt sind. So erhielte man für festes $k$ ein $a$, für das das Residuum ein lokales Minimum hat.

Allgemeiner könnte man in einer Umgebung von $(a,k)$ die Richtung suchen, in der die Werte des Residuums am stärksten fallen und sich dann im nächsten Schritt in diese Richtung bewegen. Diese Methode heißt Abstieg in Richtung des Gradienten (Gradient Descend). Eine Murmel nutzt sie, wenn sie auf dieser Fläche nach unten rollt. Auch sie findet nur ein lokales Minimum.