App Multiple Linear Regression

ivan gabrovski

इसमें विज्ञापन शामिल हैं

इस ऐप्लिकेशन के बारे में जानकारी

मल्टीपल लीनियर रिग्रेशन एक सांख्यिकीय विधि है जिसका उपयोग प्रेक्षित डेटा पर रैखिक समीकरण फिट करके एक आश्रित चर और दो या दो से अधिक स्वतंत्र चरों के बीच संबंध को मॉडल करने के लिए किया जाता है। मल्टीपल लीनियर रिग्रेशन यह बताता है कि कैसे कई प्रेडिक्टर एक साथ किसी परिणाम चर को प्रभावित करते हैं।
मल्टीपल लीनियर रिग्रेशन के मुख्य घटक:

- आश्रित चर (Y): यह वह चर है जिसका हम अनुमान लगाना चाहते हैं। इसे अक्सर "लक्ष्य चर" या "प्रतिक्रिया" भी कहा जाता है।

- स्वतंत्र चर (X1, X2, ..., Xn): ये वे चर हैं जिनका उपयोग हम आश्रित चर का अनुमान लगाने के लिए करते हैं। इन्हें अक्सर "प्रेडिक्टर" या "व्याख्यात्मक चर" भी कहा जाता है।

- रिग्रेशन मॉडल: मल्टीपल लीनियर रिग्रेशन का समीकरण निम्नलिखित रूप में होता है:

Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn
जहाँ:
Y आश्रित चर है। X1, X2, ..., Xn स्वतंत्र चर हैं।
beta_0 स्थिरांक (इंटरसेप्ट) है। बीटा_1, बीटा_2, ..., बीटा_n प्रतिगमन गुणांक हैं जो आश्रित चर पर संबंधित स्वतंत्र चर के प्रभाव को दर्शाते हैं।

अनुप्रयोग: - अर्थशास्त्र (आय पूर्वानुमान); - स्वास्थ्य सेवा (जोखिम कारक विश्लेषण); - इंजीनियरिंग; - सामाजिक विज्ञान; - व्यावसायिक पूर्वानुमान।

उदाहरण: घर के आकार, बेडरूम की संख्या और घर की आयु के आधार पर घर की कीमत का पूर्वानुमान।

ऐप में प्रत्येक ऑब्जेक्ट Object_k (object_1, object_2 ... object_m) को स्वतंत्र चर (Xki – विशेषताएँ, i = 1...n) और एक आश्रित चर (Yk - लक्ष्य) द्वारा वर्णित किया गया है। गुणांकों (बीटा_0, बीटा_1, बीटा_2, ..., बीटा_n) के इष्टतम मानों की गणना के लिए साधारण न्यूनतम वर्ग (OLS) जैसी विधि का उपयोग किया जाता है। लक्ष्य मान की गणना निम्न सूत्र से की जाती है:
Y = beta_0 + beta_01 * P1 + beta_2 * P2 + ... + beta_n * Pn
जहाँ: P1, P2...Pn लक्ष्य के भविष्यवक्ता हैं।
एप्लिकेशन कई प्रतिगमन मॉडलों का डेटा SQLite प्रकार के डेटाबेस (DB) में सहेजता है जिसका नाम AppMultipleLinearRegression.db है। प्रतिगमन मॉडलों को नाम से अलग किया जाता है।
एप्लिकेशन (App Multiple Linear Regression Solver) की स्टार्टअप स्क्रीन पर प्रतिगमन मॉडलों के नमूनों की एक सूची (स्पिनर सूची में) और प्रतिगमन मॉडलों के नमूने बनाने (नया नमूना), लोड करने (लोड), सहेजने (सेव), इस रूप में सहेजने (सेव एज़), गणना करने (कैलकुलेट) और हटाने (डिलीट) के लिए बटन प्रदर्शित होते हैं। मुख्य स्क्रीन से, मेनू तत्वों के माध्यम से, आप भाषा चयन, डेटाबेस को सहेजने और कॉपी करने, नमूना डेटा के साथ डेटाबेस को आरंभ करने, और सहायक कार्यों जैसे कि एप्लिकेशन के लिए सहायता, सेटिंग्स, और लेखकों द्वारा सभी अनुप्रयोगों के विवरण वाली वेबसाइट के लिंक तक पहुँच सकते हैं।
नया नमूना बनाने के कार्यों में मैट्रिक्स का आकार इनपुट करने के लिए एक संवाद बॉक्स शामिल है, जहाँ नए नमूने का डेटा दर्ज किया जाता है - पंक्तियों की संख्या (इस संख्या में अनुमानित डेटा P1, P2...Pn - अंतिम पंक्ति शामिल है) और स्तंभों की संख्या (इस संख्या में आश्रित डेटा Y1, Y2,...Yk - अंतिम स्तंभ शामिल है)। फिर प्रासंगिक डेटा दर्ज करने के लिए एक तालिका तैयार की जाती है। भरी हुई तालिका को सहेजने से पहले नाम देना आवश्यक है। लोड फ़ंक्शन तालिका को साफ़ करता है।
पुरानी सहेजी गई तालिका को स्पिनर सूची से चुनकर देखा जा सकता है। दिखाई गई तालिका की गणना की जा सकती है और समाधान ऐप परिणाम संवाद बॉक्स में दिखाई देते हैं। इस संवाद बॉक्स से प्रिंट फ़ंक्शन को AppMultipleLinearRegressionSolver.txt फ़ाइल में निष्पादित किया जा सकता है। प्रिंट गतिविधि में डेटाबेस सहेजें/फ़ाइल सहेजें गतिविधि शामिल है, जिसके द्वारा फ़ाइल को सहेजने के लिए फ़ोल्डर का चयन किया जाता है। फ़ोल्डर चुनने के बाद सेव बटन दिखाई देता है। इसी गतिविधि से चुनी गई फ़ाइल की सामग्री देखी जा सकती है, फ़ाइल या फ़ोल्डर का नाम बदला जा सकता है, नया फ़ोल्डर बनाया जा सकता है और चुनी गई फ़ाइल को हटाया भी जा सकता है।
मल्टीपल लीनियर रिग्रेशन एक शक्तिशाली डेटा विश्लेषण उपकरण है, लेकिन इसका उपयोग सावधानी से और इसकी सीमाओं को समझते हुए किया जाना चाहिए।
कमियां: यह मल्टीकोलिनियरिटी (स्वतंत्र चरों के बीच मजबूत सहसंबंध) के प्रति संवेदनशील है। यह हमेशा गैर-रेखीय संबंधों को नहीं पकड़ पाता है। इसके लिए मान्यताओं का सावधानीपूर्वक सत्यापन और जांच आवश्यक है।