App Multiple Linear Regression

ivan gabrovski

Съдържа реклами

Всичко за това приложение

Множествената линейна регресия е статистически метод, използван за моделиране на връзката между една зависима променлива и две или повече независими променливи чрез напасване на линейно уравнение към наблюдаваните данни. Множествената линейна регресия обяснява как няколко предиктора едновременно влияят на дадена променлива резултат.

Основни компоненти на множествената линейна регресия:
- Зависима променлива (Y): Това е променливата, която искаме да предскажем. Често се нарича още „целева променлива“ или „отговор“.
- Независими променливи (X1, X2, ..., Xn): Това са променливите, които използваме, за да предскажем зависимата променлива. Често се наричат ​​още „предиктори“ или „обяснителни променливи“.
- Регресионен модел: Уравнението на множествената линейна регресия има следния вид:
Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn
където:
Y е зависимата променлива. X1, X2, ..., Xn са независимите променливи.
beta_0 е константата (пресечната точка). beta_1,beta_2, ..., beta_n са коефициентите на регресия, които показват влиянието на съответните независими променливи върху зависимата променлива.

Приложения: - Икономика (прогнозиране на доходи); - Здравеопазване (анализ на рискови фактори); - Инженерство; - Социални науки; - Бизнес прогнозиране.
Пример: Прогнозиране на цената на жилището въз основа на: - Размер на жилището; - Брой спални; - Възраст на жилището
В приложението всеки обект Object_k (object_1, object_2 ... object_m) е описан от независими променливи (Xki – характеристики, i = 1...n) и една зависима променлива (Yk - цел). Използва се метод като обикновени най-малки квадрати (OLS) за изчисляване на оптималните стойности на коефициентите (beta_0, beta_1, beta_2, ..., beta_n). Целевата стойност се изчислява по следния начин:
Y = beta_0 + beta_01* P1 + beta_2 *P2 + ... + beta_n* Pn
където: P1, P2...Pn са предсказващи фактори на целта.
Приложението запазва данни за множество регресионни модели в база данни (БД) тип SQLite с име AppMultipleLinearRegression.db. Регресионните модели се различават по име.

Началният екран на приложението (App Multiple Linear Regression Solver) показва списък с примерни регресионни модели (в списъка с въртящи се бутони) и бутони за активиране на функциите за създаване (New sample), зареждане (Load), запазване (Save), запазване като (Save as), изчисляване (Calculate) и изтриване (Delete) на примерни регресионни модели. От главния екран, чрез елементите на менюто, можете да получите достъп и до функции като избор на език, запазване и копиране на базата данни, инициализиране на базата данни с примерни данни и спомагателни функции като помощ за приложението, настройки и връзка към уебсайта с описание на всички приложения от авторите.

Функциите за създаване (New sample) включват диалоговия прозорец за въвеждане на размера на матрицата, където се въвеждат данни за новата извадка – брой редове (броят на включените редове за прогнозираните данни P1, P2...Pn – последен ред) и брой колони (броят на включените колони за зависими данни Y1, Y2,...Yk – последна колона). След това се генерира таблица за въвеждане на съответните данни. Попълнената таблица трябва да бъде именувана преди запазване. Функцията Load изчиства таблицата. Старата запазена таблица може да се показва, като се избере от списъка с въртящи се елементи. Показаната таблица може да бъде изчислена и решението да се появи в диалоговия прозорец App Results (Резултати от приложението). Функцията Print (Печат) може да се изпълни от този диалогов прозорец във файла AppMultipleLinearRegressionSolver.txt. Функцията Print (Печат) включва действието Save Db/Save file (Запазване на базата данни/файл), като се избира папката, където да се запази файлът. След избиране на папката се появява бутон за запазване. От същото действие може да се покаже съдържанието на избрания файл, да се преименува файл или папка, да се създаде нова папка и също така да се изтрие избраният файл. Множествената линейна регресия е мощен инструмент за анализ на данни, но трябва да се използва с повишено внимание и разбиране на неговите ограничения. Недостатъци: Чувствителен към мултиколинеарност (силна корелация между независими променливи). Не винаги улавя нелинейни зависимости. Изисква внимателна валидация и проверка на допусканията.