App Multiple Linear Regression

ivan gabrovski

ማስታወቂያዎችን ይዟል

ስለዚህ መተግበሪያ

ባለብዙ መስመራዊ ቅነሳ በአንድ ጥገኛ ተለዋዋጭ እና በሁለት ወይም ከዚያ በላይ ገለልተኛ ተለዋዋጮች መካከል ያለውን ግንኙነት ለመምሰል የሚያገለግል የስታቲስቲክስ ዘዴ ሲሆን መስመራዊ እኩልታን ከተስተዋለው መረጃ ጋር በማገጣጠም ነው። በርካታ መስመራዊ ቅነሳ በርካታ ተለዋዋጮች በአንድ ጊዜ የውጤት ተለዋዋጭን እንዴት እንደሚነኩ ያብራራል።
የብዙ መስመራዊ ቅነሳ ዋና ዋና ክፍሎች፡-
- ጥገኛ ተለዋዋጭ (Y): ይህ ለመተንበይ የምንፈልገው ተለዋዋጭ ነው። ብዙውን ጊዜ "የዒላማ ተለዋዋጭ" ወይም "ምላሽ" ተብሎም ይጠራል።
- ገለልተኛ ተለዋዋጮች (X1፣ X2፣ ...፣ Xn): እነዚህ ጥገኛ ተለዋዋጭን ለመተንበይ የምንጠቀምባቸው ተለዋዋጮች ናቸው። ብዙውን ጊዜ "ትንበያዎች" ወይም "ገላጭ ተለዋዋጮች" ይባላሉ።
- የመልሶ ማቋቋም ሞዴል፡ የብዙ መስመራዊ ቅነሳ ቀመር የሚከተለው ቅጽ አለው፡-
Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn
የት፡-
Y ጥገኛ ተለዋዋጭ ነው። X1፣ X2፣ ...፣ Xn ገለልተኛ ተለዋዋጮች ናቸው።
beta_0 ቋሚው (ኢንተርሴፕት) ነው። beta_1,beta_2, ..., beta_n ተጓዳኝ ገለልተኛ ተለዋዋጮች ጥገኛ ተለዋዋጭ ላይ ያላቸውን ተጽእኖ የሚያመለክቱ የሪግሬሽን ኮፊሸንቶች ናቸው።

አፕሊኬሽኖች፡- - ኢኮኖሚክስ (የገቢ ትንበያ);- የጤና አጠባበቅ (የአደጋ መንስኤ ትንተና); -ኢንጂነሪንግ; - ማህበራዊ ሳይንስ; -የንግድ ትንበያ።
ምሳሌ፡- የቤት ዋጋን መተንበይ፡- የቤቱ መጠን፤ -የመኝታ ቤቶች ብዛት፤ - የቤቱ ዕድሜ
በመተግበሪያው ውስጥ እያንዳንዱ ነገር Object_k(object_1፣ object_2 ... object_m) በገለልተኛ ተለዋዋጮች (Xki - ባህሪያት፣ i = 1...n) እና በአንድ ጥገኛ ተለዋዋጭ (Yk -target) ይገለፃሉ። እንደ ተራ ዝቅተኛ ካሬዎች (OLS) ያለ ዘዴ የቁጥር እሴቶችን (beta_0፣ beta_1፣ beta_2፣ ...፣ beta_n) ምርጥ እሴቶችን ለማስላት ጥቅም ላይ ይውላል። የዒላማው እሴት የሚሰላው በ፡
Y = beta_0 + beta_01* P1 + beta_2 *P2 + ... + beta_n* Pn
የት፡ P1፣ P2...Pn የዒላማ ተተኪዎች ናቸው።

የመተግበሪያው የመጠባበቂያ ውሂብ ማከማቻ ውሂብ በመረጃ ቋት (DB) አይነት SQLite AppMultipleLinearRegression.db ተብሎ በሚጠራው SQLite አይነት ውስጥ። የማጣቀሻ ሞዴሎቹ በስም ይለያያሉ።
የመተግበሪያው ጅምር ማያ ገጽ (App Multiple Linear Regression Solver) የማጣቀሻ ሞዴሎችን ናሙናዎች ዝርዝር (በማሽከርከሪያ ዝርዝር ውስጥ) እና ተግባራትን ለመፍጠር (አዲስ ናሙና)፣ ጫን (ጫን)፣ አስቀምጥ (አስቀምጥ)፣ አስቀምጥ (አስቀምጥ)፣ አስላ (አስላ) እና ሰርዝ (ሰርዝ) የማጣቀሻ ሞዴሎችን ናሙናዎች ለማንቃት አዝራሮችን ያሳያል። ከዋናው ማያ ገጽ፣ በምናሌ ክፍሎች በኩል፣ እንደ ቋንቋ ምርጫ፣ የውሂብ ጎታውን ማስቀመጥ እና መቅዳት፣ የውሂብ ጎታውን በናሙና ውሂብ ማስጀመር እና እንደ መተግበሪያ፣ ቅንብሮች እገዛ እና በደራሲዎቹ የተሰጡ ሁሉንም አፕሊኬሽኖች መግለጫ የያዘ ወደ ድር ጣቢያው የሚወስድ አገናኝ ያሉ ረዳት ተግባራትን መድረስ ይችላሉ።
የመፍጠር ተግባራት (አዲስ ናሙና) አዲስ ናሙና ውሂብ የሚያስገቡበት የማትሪክስ መጠን ለማስገባት መገናኛን ያካትታሉ - የረድፎች ብዛት (ቁጥሩ ለተገመተው ውሂብ P1፣ P2...Pn- የመጨረሻው ረድፍ) እና የአምዶች ብዛት (ቁጥሩ ለጥገኛ ውሂብ አምድ Y1፣ Y2፣...Yk- የመጨረሻውን አምድ ያካትታል)። ከዚያም ተዛማጅ መረጃዎችን ለማስገባት ሰንጠረዥ ያመነጫሉ። የተሞላው ሠንጠረዥ ከመቀመጡ በፊት መሰየም አለበት። ተግባሩ ሰንጠረዡን አጽዳ።
አሮጌው የተቀመጠ ሠንጠረዥ ከተሽከርካሪ ዝርዝር ውስጥ በተመረጡት ሊታይ ይችላል። የሚታየው ሠንጠረዥ ሊሰላ ይችላል እና መፍትሄው በመገናኛ መተግበሪያ ውጤቶች ውስጥ ይታያል። ተግባር ህትመት ከዚህ ንግግር በፋይል AppMultipleLinearRegressionSolver.txt ውስጥ ሊከናወን ይችላል። የህትመት እንቅስቃሴን ያካትታል ፋይሉን ያስቀምጡ Db/አስቀምጥ በእሱ የተመረጡ አቃፊዎች ናቸው። አቃፊውን ከመረጡ በኋላ ለማስቀመጥ አዝራር ይታያል። ከተመሳሳይ እንቅስቃሴ የተመረጠውን ፋይል ይዘት ሊያሳይ ይችላል፣ ፋይልን ወይም አቃፊን እንደገና ለመሰየም፣ አዲስ አቃፊ ለመፍጠር እና የተመረጠውን ፋይል ለመሰረዝ።
ብዙ መስመራዊ ሪግሬሽን ኃይለኛ የውሂብ ትንተና መሳሪያ ነው፣ ነገር ግን በጥንቃቄ እና ገደቦቹን በመረዳት ጥቅም ላይ መዋል አለበት።

ጉዳቶች፡- ለብዙ-ኮላላይኔሪቲ ስሜታዊነት (በነጻ ተለዋዋጮች መካከል ጠንካራ ትስስር)። ሁልጊዜም መስመራዊ ያልሆኑ ግንኙነቶችን አይይዝም። ጥንቃቄ የተሞላበት ማረጋገጫ እና ግምቶችን ማረጋገጥ ይፈልጋል።