App Multiple Linear Regression

ivan gabrovski

Կա գովազդ

Հավելվածի մասին

Բազմակի գծային ռեգրեսիան վիճակագրական մեթոդ է, որն օգտագործվում է մեկ կախյալ փոփոխականի և երկու կամ ավելի անկախ փոփոխականների միջև փոխհարաբերությունը մոդելավորելու համար՝ դիտարկվող տվյալներին գծային հավասարում տեղադրելով։ Բազմակի գծային ռեգրեսիան բացատրում է, թե ինչպես են մի քանի կանխատեսողներ միաժամանակ ազդում արդյունքի փոփոխականի վրա։
Բազմակի գծային ռեգրեսիայի հիմնական բաղադրիչները.
- Կախյալ փոփոխական (Y). Սա այն փոփոխականն է, որը մենք ցանկանում ենք կանխատեսել։ Այն հաճախ անվանում են նաև «նպատակային փոփոխական» կամ «պատասխան»։
- Անկախ փոփոխականներ (X1, X2, ..., Xn). Սրանք այն փոփոխականներն են, որոնք մենք օգտագործում ենք կախյալ փոփոխականը կանխատեսելու համար։ Դրանք հաճախ անվանում են նաև «կանխատեսողներ» կամ «բացատրական փոփոխականներ»։
- Ռեգրեսիայի մոդել. Բազմակի գծային ռեգրեսիայի հավասարումն ունի հետևյալ տեսքը՝
Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn
որտեղ՝
Y-ը կախյալ փոփոխականն է։ X1, X2, ..., Xn-ը անկախ փոփոխականներն են։

beta_0-ը հաստատունն է (հատվածը)։ beta_1, beta_2, ..., beta_n-ը ռեգրեսիայի գործակիցներ են, որոնք ցույց են տալիս համապատասխան անկախ փոփոխականների ազդեցությունը կախյալ փոփոխականի վրա։

Կիրառություններ՝ - Տնտեսագիտություն (եկամտի կանխատեսում). - Առողջապահություն (ռիսկի գործոնների վերլուծություն). - Ճարտարագիտություն. - Հասարակական գիտություններ. - Բիզնեսի կանխատեսում։
Օրինակ՝ Տան գնի կանխատեսում՝ հիմնվելով հետևյալի վրա՝ - Տան չափս. - Ննջասենյակների քանակ. - Տան տարիք։
Հավելվածում յուրաքանչյուր օբյեկտ Object_k (object_1, object_2 ... object_m) նկարագրվում է անկախ փոփոխականներով (Xki – հատկանիշներ, i = 1...n) և մեկ կախյալ փոփոխականով (Yk – նպատակ)։ Գործակիցների օպտիմալ արժեքները (beta_0, beta_1, beta_2, ..., beta_n) հաշվարկելու համար օգտագործվում է սովորական նվազագույն քառակուսիների (OLS) մեթոդը։ Նպատակային արժեքը հաշվարկվում է հետևյալ կերպ՝
Y = beta_0 + beta_01* P1 + beta_2 *P2 + ... + beta_n* Pn
որտեղ՝ P1, P2...Pn-ը նպատակի կանխատեսողներն են։
Հավելվածը պահպանում է բազմաթիվ ռեգրեսիոն մոդելների տվյալները SQLite տիպի տվյալների բազայում (DB)՝ AppMultipleLinearRegression.db անունով: Ռեգրեսիոն մոդելները տարբերվում են անունով։

Հավելվածի (App Multiple Linear Regression Solver) մեկնարկային էկրանը ցուցադրում է ռեգրեսիոն մոդելների նմուշների ցանկ (պտտվող ցանկում) և կոճակներ՝ ռեգրեսիոն մոդելների նմուշներ ստեղծելու (New sample), բեռնելու (Load), պահպանելու (Save), պահպանելու (Save as), հաշվարկելու (Calculate) և ջնջելու (Delete) ֆունկցիաները միացնելու համար: Գլխավոր էկրանից, ցանկի տարրերի միջոցով, կարող եք նաև մուտք գործել այնպիսի գործառույթների, ինչպիսիք են լեզվի ընտրությունը, տվյալների բազայի պահպանումը և պատճենումը, տվյալների բազայի նախնականացումը նմուշային տվյալներով, ինչպես նաև օժանդակ գործառույթներ, ինչպիսիք են հավելվածի օգնությունը, կարգավորումները և կայքի հղումը՝ հեղինակների կողմից բոլոր հավելվածների նկարագրությամբ:

(New sample) ստեղծման ֆունկցիաները ներառում են մատրիցի չափի մուտքագրման երկխոսություն, որտեղ մուտքագրվում են նոր նմուշի տվյալներ՝ տողերի քանակը (կանխատեսված տվյալների համար P1, P2...Pn - վերջին տողը) և սյուների քանակը (կախյալ տվյալների համար Y1, Y2,...Yk - վերջին սյունը) ներառող սյունակների քանակը: Այնուհետև ստեղծվում են աղյուսակներ համապատասխան տվյալներ մուտքագրելու համար։ Լրացված աղյուսակը պետք է անվանվի պահպանելուց առաջ։ Load ֆունկցիան մաքրում է աղյուսակը։

Հին պահպանված աղյուսակը կարող է ցուցադրվել՝ ընտրվելով պտտվող ցանկից։ Ցուցադրվող աղյուսակը կարող է հաշվարկվել, և լուծումները հայտնվում են App results երկխոսության պատուհանում։ Print ֆունկցիան կարող է կատարվել այս երկխոսության պատուհանից՝ AppMultipleLinearRegressionSolver.txt ֆայլում։ Print ֆունկցիան ներառում է Save Db/Save file գործունեությունը, որով ընտրվում է ֆայլը պահպանելու թղթապանակը։ Թղթապանակը ընտրելուց հետո հայտնվում է պահպանման կոճակը։ Նույն գործողությունից կարող է ցուցադրվել ընտրված ֆայլի պարունակությունը, ֆայլը կամ թղթապանակը վերանվանելու, նոր թղթապանակ ստեղծելու և նաև ընտրված ֆայլը ջնջելու համար։
Բազմակի գծային ռեգրեսիան հզոր տվյալների վերլուծության գործիք է, բայց այն պետք է օգտագործվի զգուշությամբ և դրա սահմանափակումների գիտակցմամբ։
Թերություններ՝ զգայուն է բազմակի գծայնության նկատմամբ (անկախ փոփոխականների միջև ուժեղ կորելյացիա)։ Միշտ չէ, որ գրանցում է ոչ գծային կապերը։ Պահանջում է ուշադիր վավերացում և ենթադրությունների ստուգում։