App Multiple Linear Regression

ivan gabrovski

ಜಾಹೀರಾತುಗಳನ್ನು ಹೊಂದಿದೆ

ಈ ಆ್ಯಪ್ ಕುರಿತು

ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತವು ಒಂದು ಅವಲಂಬಿತ ವೇರಿಯೇಬಲ್ ಮತ್ತು ಎರಡು ಅಥವಾ ಹೆಚ್ಚಿನ ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಮಾದರಿ ಮಾಡಲು ಬಳಸುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನವಾಗಿದ್ದು, ಗಮನಿಸಿದ ದತ್ತಾಂಶಕ್ಕೆ ರೇಖೀಯ ಸಮೀಕರಣವನ್ನು ಅಳವಡಿಸುವ ಮೂಲಕ ಇದನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತವು ಹಲವಾರು ಮುನ್ಸೂಚಕಗಳು ಏಕಕಾಲದಲ್ಲಿ ಫಲಿತಾಂಶದ ಅಸ್ಥಿರವನ್ನು ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ.
ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತದ ಮುಖ್ಯ ಅಂಶಗಳು:
- ಅವಲಂಬಿತ ವೇರಿಯೇಬಲ್ (Y): ಇದು ನಾವು ಊಹಿಸಲು ಬಯಸುವ ವೇರಿಯೇಬಲ್ ಆಗಿದೆ. ಇದನ್ನು ಹೆಚ್ಚಾಗಿ "ಗುರಿ ವೇರಿಯೇಬಲ್" ಅಥವಾ "ಪ್ರತಿಕ್ರಿಯೆ" ಎಂದೂ ಕರೆಯಲಾಗುತ್ತದೆ.
- ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳು (X1, X2, ..., Xn): ಅವಲಂಬಿತ ವೇರಿಯೇಬಲ್ ಅನ್ನು ಊಹಿಸಲು ನಾವು ಬಳಸುವ ಅಸ್ಥಿರಗಳು ಇವು. ಅವುಗಳನ್ನು ಹೆಚ್ಚಾಗಿ "ಭವಿಷ್ಯಸೂಚಕಗಳು" ಅಥವಾ "ವಿವರಣಾತ್ಮಕ ಅಸ್ಥಿರಗಳು" ಎಂದೂ ಕರೆಯಲಾಗುತ್ತದೆ.
- ಹಿಂಜರಿತ ಮಾದರಿ: ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತದ ಸಮೀಕರಣವು ಈ ಕೆಳಗಿನ ರೂಪವನ್ನು ಹೊಂದಿದೆ:
Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn
ಇಲ್ಲಿ:
Y ಅವಲಂಬಿತ ವೇರಿಯೇಬಲ್ ಆಗಿದೆ. X1, X2, ..., Xn ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳಾಗಿವೆ.
beta_0 ಸ್ಥಿರಾಂಕವಾಗಿದೆ (ಪ್ರತಿಬಂಧಕ). beta_1,beta_2, ..., beta_n ಅವಲಂಬಿತ ವೇರಿಯೇಬಲ್ ಮೇಲೆ ಅನುಗುಣವಾದ ಸ್ವತಂತ್ರ ವೇರಿಯೇಬಲ್‌ಗಳ ಪ್ರಭಾವವನ್ನು ಸೂಚಿಸುವ ಹಿಂಜರಿತ ಗುಣಾಂಕಗಳಾಗಿವೆ.

ಅನ್ವಯಿಕೆಗಳು: - ಅರ್ಥಶಾಸ್ತ್ರ (ಆದಾಯ ಮುನ್ಸೂಚನೆ);- ಆರೋಗ್ಯ ರಕ್ಷಣೆ (ಅಪಾಯ ಅಂಶ ವಿಶ್ಲೇಷಣೆ); - ಎಂಜಿನಿಯರಿಂಗ್; - ಸಾಮಾಜಿಕ ವಿಜ್ಞಾನಗಳು; - ವ್ಯವಹಾರ ಮುನ್ಸೂಚನೆ.

ಉದಾಹರಣೆ: ಮನೆಯ ಬೆಲೆಯನ್ನು ಇದರ ಆಧಾರದ ಮೇಲೆ ಊಹಿಸುವುದು: - ಮನೆಯ ಗಾತ್ರ; - ಮಲಗುವ ಕೋಣೆಗಳ ಸಂಖ್ಯೆ; - ಮನೆಯ ವಯಸ್ಸು
ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಪ್ರತಿಯೊಂದು ವಸ್ತುವನ್ನು Object_k( object_1, object_2 ... object_m) ಸ್ವತಂತ್ರ ವೇರಿಯೇಬಲ್‌ಗಳಿಂದ ವಿವರಿಸಲಾಗಿದೆ ( Xki – ವೈಶಿಷ್ಟ್ಯಗಳು, i = 1...n ) ಮತ್ತು ಒಂದು ಅವಲಂಬಿತ ವೇರಿಯೇಬಲ್ ( Yk - ಗುರಿ). ಗುಣಾಂಕಗಳ (beta_0, beta_1, beta_2, ..., beta_n) ಸೂಕ್ತ ಮೌಲ್ಯಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಸಾಮಾನ್ಯ ಕನಿಷ್ಠ ಚೌಕಗಳು (OLS) ನಂತಹ ವಿಧಾನವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಗುರಿ ಮೌಲ್ಯವನ್ನು ಇವರಿಂದ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ:
Y = beta_0 + beta_01* P1 + beta_2 *P2 + ... + beta_n* Pn
ಇಲ್ಲಿ: P1, P2...Pn ಗುರಿಯ ಮುನ್ಸೂಚಕಗಳಾಗಿವೆ.
AppMultipleLinearRegression.db ಹೆಸರಿನ ಡೇಟಾಬೇಸ್ (DB) ಪ್ರಕಾರದ SQLite ನಲ್ಲಿ ಬಹು ರಿಗ್ರೆಷನ್ ಮಾದರಿಗಳಿಗಾಗಿ ಅಪ್ಲಿಕೇಶನ್ ಡೇಟಾವನ್ನು ಉಳಿಸುತ್ತದೆ. ರಿಗ್ರೆಷನ್ ಮಾದರಿಗಳನ್ನು ಹೆಸರಿನಿಂದ ಪ್ರತ್ಯೇಕಿಸಲಾಗಿದೆ.

ಅಪ್ಲಿಕೇಶನ್‌ನ ಆರಂಭಿಕ ಪರದೆಯು (ಆಪ್ ಮಲ್ಟಿಪಲ್ ಲೀನಿಯರ್ ರಿಗ್ರೆಷನ್ ಸಾಲ್ವರ್) ರಿಗ್ರೆಷನ್ ಮಾದರಿಗಳ ಮಾದರಿಗಳ ಪಟ್ಟಿಯನ್ನು (ಸ್ಪಿನ್ನರ್ ಪಟ್ಟಿಯಲ್ಲಿ) ಮತ್ತು ರಿಗ್ರೆಷನ್ ಮಾದರಿಗಳ ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು (ಹೊಸ ಮಾದರಿ), ಲೋಡ್ (ಲೋಡ್), ಉಳಿಸಿ (ಉಳಿಸು), ಹೀಗೆ ಉಳಿಸಿ (ಹೀಗೆ ಉಳಿಸಿ), ಲೆಕ್ಕಹಾಕಿ (ಲೆಕ್ಕಹಾಕಿ) ಮತ್ತು ಅಳಿಸಿ (ಅಳಿಸಿ) ಕಾರ್ಯಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಲು ಬಟನ್‌ಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ. ಮುಖ್ಯ ಪರದೆಯಿಂದ, ಮೆನು ಅಂಶಗಳ ಮೂಲಕ, ನೀವು ಭಾಷಾ ಆಯ್ಕೆ, ಡೇಟಾಬೇಸ್ ಅನ್ನು ಉಳಿಸುವುದು ಮತ್ತು ನಕಲಿಸುವುದು, ಮಾದರಿ ಡೇಟಾದೊಂದಿಗೆ ಡೇಟಾಬೇಸ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸುವುದು ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಸಹಾಯ, ಸೆಟ್ಟಿಂಗ್‌ಗಳು ಮತ್ತು ಲೇಖಕರಿಂದ ಎಲ್ಲಾ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ವಿವರಣೆಯೊಂದಿಗೆ ವೆಬ್‌ಸೈಟ್‌ಗೆ ಲಿಂಕ್‌ನಂತಹ ಸಹಾಯಕ ಕಾರ್ಯಗಳನ್ನು ಸಹ ಪ್ರವೇಶಿಸಬಹುದು.
(ಹೊಸ ಮಾದರಿ) ರಚಿಸುವ ಕಾರ್ಯಗಳು ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ನ ಗಾತ್ರವನ್ನು ನಮೂದಿಸಲು ಸಂವಾದವನ್ನು ಒಳಗೊಂಡಿವೆ, ಅಲ್ಲಿ ಹೊಸ ಮಾದರಿಯ ಡೇಟಾವನ್ನು ನಮೂದಿಸುವುದು - ಸಾಲುಗಳ ಸಂಖ್ಯೆ (ಸಂಖ್ಯೆಯು ಊಹಿಸಲಾದ ಡೇಟಾ P1, P2...Pn– ಕೊನೆಯ ಸಾಲಿಗೆ ಸಾಲುಗಳನ್ನು ಒಳಗೊಂಡಿದೆ) ಮತ್ತು ಕಾಲಮ್‌ಗಳ ಸಂಖ್ಯೆ (ಸಂಖ್ಯೆಯು ಅವಲಂಬಿತ ಡೇಟಾ Y1, Y2,...Yk– ಕೊನೆಯ ಕಾಲಮ್‌ಗಾಗಿ ಕಾಲಮ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ). ನಂತರ ಸಂಬಂಧಿತ ಡೇಟಾವನ್ನು ನಮೂದಿಸಲು ಜನನಿಬಿಡ ಕೋಷ್ಟಕವನ್ನು ನಮೂದಿಸಬೇಕು. ಉಳಿಸುವ ಮೊದಲು ಜನಸಂಖ್ಯೆ ಹೊಂದಿರುವ ಕೋಷ್ಟಕವನ್ನು ಹೆಸರಿಸಬೇಕು. ಲೋಡ್ ಕಾರ್ಯವು ಟೇಬಲ್ ಅನ್ನು ತೆರವುಗೊಳಿಸಿ.

ಹಳೆಯ ಉಳಿಸಿದ ಕೋಷ್ಟಕವನ್ನು ಸ್ಪಿನ್ನರ್ ಪಟ್ಟಿಯಿಂದ ಆಯ್ಕೆ ಮಾಡಿದ ಮೂಲಕ ತೋರಿಸುತ್ತಿರಬಹುದು. ತೋರಿಸುವ ಕೋಷ್ಟಕವನ್ನು ಲೆಕ್ಕಹಾಕಬಹುದು ಮತ್ತು ಪರಿಹಾರವು ಸಂವಾದ ಅಪ್ಲಿಕೇಶನ್ ಫಲಿತಾಂಶಗಳಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ. AppMultipleLinearRegressionSolver.txt ಫೈಲ್‌ನಲ್ಲಿರುವ ಈ ಸಂವಾದದಿಂದ ಮುದ್ರಣ ಕಾರ್ಯವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು. ಮುದ್ರಣ ಚಟುವಟಿಕೆಯನ್ನು ಅದರ ಮೂಲಕ ಉಳಿಸಿ Db/Save ಫೈಲ್ ಅನ್ನು ಫೈಲ್ ಅನ್ನು ಎಲ್ಲಿ ಉಳಿಸಬೇಕು ಎಂಬ ಫೋಲ್ಡರ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ. ಫೋಲ್ಡರ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ ನಂತರ ಉಳಿಸಲು ಬಟನ್ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಅದೇ ಚಟುವಟಿಕೆಯಿಂದ ಆಯ್ಕೆಮಾಡಿದ ಫೈಲ್‌ನ ವಿಷಯವನ್ನು ತೋರಿಸಬಹುದು, ಫೈಲ್ ಅಥವಾ ಫೋಲ್ಡರ್ ಅನ್ನು ಮರುಹೆಸರಿಸಲು, ಹೊಸ ಫೋಲ್ಡರ್ ರಚಿಸಲು ಮತ್ತು ಆಯ್ಕೆಮಾಡಿದ ಫೈಲ್ ಅನ್ನು ಅಳಿಸಲು ಸಹ.

ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತವು ಪ್ರಬಲ ಡೇಟಾ ವಿಶ್ಲೇಷಣಾ ಸಾಧನವಾಗಿದೆ, ಆದರೆ ಅದನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಮತ್ತು ಅದರ ಮಿತಿಗಳ ತಿಳುವಳಿಕೆಯೊಂದಿಗೆ ಬಳಸಬೇಕು.
ಅನಾನುಕೂಲಗಳು: ಬಹು-ಸಾಮೂಹಿಕ ರೇಖೀಯತೆಗೆ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ (ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಬಲವಾದ ಪರಸ್ಪರ ಸಂಬಂಧ). ಯಾವಾಗಲೂ ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಂಬಂಧಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವುದಿಲ್ಲ. ಎಚ್ಚರಿಕೆಯಿಂದ ದೃಢೀಕರಣ ಮತ್ತು ಊಹೆಗಳ ಪರಿಶೀಲನೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ.