App Multiple Linear Regression

ivan gabrovski

Yra skelbimų

Apie šią programą

Daugybinė tiesinė regresija yra statistinis metodas, naudojamas modeliuoti ryšį tarp vieno priklausomo kintamojo ir dviejų ar daugiau nepriklausomų kintamųjų, pritaikant tiesinę lygtį stebimiems duomenims. Daugybinė tiesinė regresija paaiškina, kaip keli prognozuojantys veiksniai vienu metu veikia rezultato kintamąjį.

Pagrindiniai daugybinės tiesinės regresijos komponentai:

- Priklausomas kintamasis (Y): Tai kintamasis, kurį norime numatyti. Jis dažnai dar vadinamas „tiksliniu kintamuoju“ arba „atsako kintamuoju“.
- Nepriklausomi kintamieji (X1, X2, ..., Xn): Tai kintamieji, kuriuos naudojame priklausomam kintamajam numatyti. Jie dažnai dar vadinami „prognozuojamaisiais kintamaisiais“ arba „aiškinamaisiais kintamaisiais“.
- Regresinis modelis: Daugybinės tiesinės regresijos lygtis turi tokią formą:

Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn
kur:
Y yra priklausomas kintamasis. X1, X2, ..., Xn yra nepriklausomi kintamieji.

bet_0 yra konstanta (interceptas). beta_1, beta_2, ..., beta_n yra regresijos koeficientai, rodantys atitinkamų nepriklausomų kintamųjų įtaką priklausomam kintamajam.

Taikymo sritys: - Ekonomika (pajamų prognozavimas); - Sveikatos apsauga (rizikos veiksnių analizė); - Inžinerija; - Socialiniai mokslai; - Verslo prognozavimas.

Pavyzdys: Būsto kainos prognozavimas remiantis: - Namo dydžiu; - Miegamųjų skaičiumi; - Namo amžiumi.

Programėlėje kiekvienas objektas Object_k (object_1, object_2 ... object_m) aprašomas nepriklausomais kintamaisiais (Xki – požymiai, i = 1...n) ir vienu priklausomu kintamuoju (Yk – tikslas). Optimalioms koeficientų (beta_0, beta_1, beta_2, ..., beta_n) reikšmėms apskaičiuoti naudojamas toks metodas kaip paprastųjų mažiausių kvadratų (OLS) metodas. Tikslinė reikšmė apskaičiuojama taip:

Y = beta_0 + beta_01* P1 + beta_2 *P2 + ... + beta_n* Pn
kur: P1, P2...Pn yra tikslinės reikšmės prognozavimo veiksniai.
Programa išsaugo kelių regresinių modelių duomenis SQLite tipo duomenų bazėje (DB), pavadintoje „AppMultipleLinearRegression.db“. Regresiniai modeliai skiriasi pagal pavadinimus.

Programos („App Multiple Linear Regression Solver“) paleidimo ekrane rodomas regresinių modelių pavyzdžių sąrašas (suktuko sąraše) ir mygtukai, skirti įjungti funkcijas, skirtas kurti (New sample), įkelti (Load), išsaugoti (Save), išsaugoti kaip (Save as), apskaičiuoti (Calculate) ir ištrinti (Delete) regresinių modelių pavyzdžius. Pagrindiniame ekrane, per meniu elementus, taip pat galite pasiekti tokias funkcijas kaip kalbos pasirinkimas, duomenų bazės išsaugojimas ir kopijavimas, duomenų bazės inicijavimas pavyzdžių duomenimis ir pagalbines funkcijas, tokias kaip programos pagalba, nustatymai ir nuoroda į svetainę su visų autorių pateiktu programų aprašymu.

Funkcijos, skirtos kurti (New sample) apima dialogo langą matricos dydžiui įvesti, kuriame įvedami naujo pavyzdžio duomenys – eilučių skaičius (įtraukiamų eilučių skaičius numatomiems duomenims P1, P2...Pn – paskutinė eilutė) ir stulpelių skaičius (įtraukiamų stulpelių skaičius priklausomiems duomenims Y1, Y2,...Yk – paskutinis stulpelis). Tada sukuriama lentelė atitinkamiems duomenims įvesti. Užpildyta lentelė prieš išsaugojimą turi būti pavadinta. Funkcija „Įkelti“ ir išvalykite lentelę.

Seną išsaugotą lentelę galima rodyti pasirinkus iš suktuko sąrašo. Rodoma lentelė gali būti apskaičiuota, o sprendimai rodomi dialogo lange „Programos rezultatai“. Funkciją „Spausdinti“ galima vykdyti iš šio dialogo lango faile „AppMultipleLinearRegressionSolver.txt“. Veikiant „Spausdinti“, pasirenkamas veiksmas „Įrašyti duomenų bazę / Įrašyti failą“, kuriame pasirenkamas aplankas, kuriame norite išsaugoti failą. Pasirinkus aplanką, pasirodo mygtukas „Išsaugoti“. Iš tos pačios veiklos gali būti parodytas pasirinkto failo turinys, galima pervadinti failą ar aplanką, sukurti naują aplanką ir ištrinti pasirinktą failą.

Daugialypė tiesinė regresija yra galingas duomenų analizės įrankis, tačiau jį reikia naudoti atsargiai ir suprantant jo apribojimus.

Trūkumai: jautrus daugiakolinearinumui (stipri koreliacija tarp nepriklausomų kintamųjų). Ne visada užfiksuoja netiesinius ryšius. Reikalingas kruopštus prielaidų patvirtinimas ir patikrinimas.