App Multiple Linear Regression

ivan gabrovski

Содржи реклами

За апликацијава

Повеќекратната линеарна регресија е статистички метод што се користи за моделирање на врската помеѓу една зависна променлива и две или повеќе независни променливи со прилагодување на линеарна равенка на набљудуваните податоци. Повеќекратната линеарна регресија објаснува како неколку предиктори истовремено влијаат на исходната променлива.

Главни компоненти на повеќекратната линеарна регресија:

- Зависна променлива (Y): Ова е променливата што сакаме да ја предвидиме. Често се нарекува и „целна променлива“ или „одговор“.

- Независни променливи (X1, X2, ..., Xn): Ова се променливите што ги користиме за да ја предвидиме зависната променлива. Тие често се нарекуваат и „предиктори“ или „објаснувачки променливи“.

- Модел на регресија: Равенката на повеќекратна линеарна регресија има следниов облик:

Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn
каде што:
Y е зависната променлива. X1, X2, ..., Xn се независните променливи.

beta_0 е константата (пресекот). beta_1, beta_2, ..., beta_n се коефициенти на регресија кои го покажуваат влијанието на соодветните независни варијабли врз зависната варијабла.

Примени: - Економија (предвидување на приход); - Здравство (анализа на фактори на ризик); - Инженерство; - Општествени науки; - Прогнозирање на бизнис.

Пример: Предвидување на цената на куќата врз основа на: -Големина на куќата; -Број на спални соби; -Старост на куќата
Во апликацијата секој објект Object_k (object_1, object_2 ... object_m) е опишан со независни варијабли (Xki – карактеристики, i = 1...n) и една зависна варијабла (Yk -цел). Метод како што се обичните најмали квадрати (OLS) се користи за пресметување на оптималните вредности на коефициентите (beta_0, beta_1, beta_2, ..., beta_n). Целната вредност се пресметува со:

Y = beta_0 + beta_01* P1 + beta_2 *P2 + ... + beta_n* Pn
каде што: P1, P2...Pn се предиктори на целта.
Апликацијата зачувува податоци за повеќекратни регресиони модели во база на податоци (DB) од типот SQLite наречена AppMultipleLinearRegression.db. Регресионите модели се разликуваат по име.

Стартниот екран на апликацијата (App Multiple Linear Regression Solver) прикажува листа на примероци од регресиони модели (во ротирачкиот список) и копчиња за овозможување на функциите за креирање (Нов примерок), вчитување (Load), зачувување (Save), зачувување како (Save as), пресметување (Calculate) и бришење (Delete) примероци од регресиони модели. Од главниот екран, преку елементите од менито, можете да пристапите и до функции како што се избор на јазик, зачувување и копирање на базата на податоци, иницијализирање на базата на податоци со примероци на податоци и помошни функции како што се помош за апликацијата, поставки и линк до веб-страницата со опис на сите апликации од авторите.

Функциите за креирање (Нов примерок) вклучуваат дијалог за внесување на големината на матрицата каде што се внесуваат податоци од нов примерок - број на редови (бројот на вклучени редови за предвидените податоци P1, P2...Pn - последен ред) и број на колони (бројот на вклучени колони за зависни податоци Y1, Y2,...Yk - последна колона). Потоа се генерира табела за внесување релевантни податоци. Пополнетата табела мора да биде именувана пред да се зачува. Функцијата Load ја брише табелата.

Старата зачувана табела може да се прикаже со избирање од листата со вртење. Прикажаната табела може да се пресмета и решението се појавува во дијалогот App Results. Функцијата Print може да се изврши од овој дијалог во датотеката AppMultipleLinearRegressionSolver.txt. Активноста Print вклучува Save Db/Save file преку која се избира папката каде што ќе се зачува датотеката. По избирањето на папката се појавува копчето за зачувување. Од истата активност може да се прикаже содржината на избраната датотека, да се преименува датотека или папка, да се креира нова папка, а исто така и да се избрише избраната датотека.

Мултиплекалната линеарна регресија е моќна алатка за анализа на податоци, но мора да се користи со претпазливост и разбирање на нејзините ограничувања.

Недостатоци: Чувствителна на мултиколинеарност (силна корелација помеѓу независни променливи). Не секогаш ги опфаќа нелинеарните врски. Потребна е внимателна валидација и проверка на претпоставките.