App Multiple Linear Regression

ivan gabrovski

പരസ്യങ്ങൾ അടങ്ങിയിരിക്കുന്നു

ഈ ആപ്പിനെക്കുറിച്ച്

ഒരു ആശ്രിത വേരിയബിളും രണ്ടോ അതിലധികമോ സ്വതന്ത്ര വേരിയബിളുകളും തമ്മിലുള്ള ബന്ധം മാതൃകയാക്കാൻ നിരീക്ഷിച്ച ഡാറ്റയിൽ ഒരു രേഖീയ സമവാക്യം ഘടിപ്പിച്ചുകൊണ്ട് മൾട്ടിപ്പിൾ ലീനിയർ റിഗ്രഷൻ ഉപയോഗിക്കുന്നു. ഒന്നിലധികം ലീനിയർ റിഗ്രഷൻ, നിരവധി പ്രെഡിക്ടറുകൾ ഒരേസമയം ഒരു ഫല വേരിയബിളിനെ എങ്ങനെ ബാധിക്കുന്നു എന്ന് വിശദീകരിക്കുന്നു.
മൾട്ടിപ്പിൾ ലീനിയർ റിഗ്രഷന്റെ പ്രധാന ഘടകങ്ങൾ:
- ആശ്രിത വേരിയബിൾ (Y): ഇതാണ് നമ്മൾ പ്രവചിക്കാൻ ആഗ്രഹിക്കുന്ന വേരിയബിൾ. ഇതിനെ പലപ്പോഴും "ടാർഗെറ്റ് വേരിയബിൾ" അല്ലെങ്കിൽ "പ്രതികരണം" എന്നും വിളിക്കുന്നു.
- സ്വതന്ത്ര വേരിയബിളുകൾ (X1, X2, ..., Xn): ആശ്രിത വേരിയബിൾ പ്രവചിക്കാൻ നമ്മൾ ഉപയോഗിക്കുന്ന വേരിയബിളുകളാണ് ഇവ. അവയെ പലപ്പോഴും "പ്രെഡിക്ടറുകൾ" അല്ലെങ്കിൽ "വിശദീകരണ വേരിയബിളുകൾ" എന്നും വിളിക്കുന്നു.
- റിഗ്രഷൻ മോഡൽ: ഒന്നിലധികം ലീനിയർ റിഗ്രഷന്റെ സമവാക്യത്തിന് ഇനിപ്പറയുന്ന രൂപമുണ്ട്:
Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn
എവിടെ:
Y എന്നത് ആശ്രിത വേരിയബിളാണ്. X1, X2, ..., Xn എന്നത് സ്വതന്ത്ര വേരിയബിളുകളാണ്.
beta_0 എന്നത് സ്ഥിരാങ്കമാണ് (ഇന്റർസെപ്റ്റ്). beta_1,beta_2, ..., beta_n എന്നിവ ആശ്രിത വേരിയബിളിൽ അനുബന്ധ സ്വതന്ത്ര വേരിയബിളുകളുടെ സ്വാധീനത്തെ സൂചിപ്പിക്കുന്ന റിഗ്രഷൻ ഗുണകങ്ങളാണ്.

ആപ്ലിക്കേഷനുകൾ: - സാമ്പത്തികശാസ്ത്രം (വരുമാന പ്രവചനം);- ആരോഗ്യ സംരക്ഷണം (അപകട ഘടക വിശകലനം); -എഞ്ചിനീയറിംഗ്; - സാമൂഹിക ശാസ്ത്രങ്ങൾ; -ബിസിനസ് പ്രവചനം.

ഉദാഹരണം: വീടിന്റെ വില പ്രവചിക്കുന്നത്: -വീടിന്റെ വലുപ്പം; -കിടപ്പുമുറികളുടെ എണ്ണം; - വീടിന്റെ പ്രായം
ആപ്പിൽ ഓരോ വസ്തുവും Object_k( object_1, object_2 ... object_m) സ്വതന്ത്ര വേരിയബിളുകൾ (Xki – സവിശേഷതകൾ, i = 1...n ) ഉം ഒരു ആശ്രിത വേരിയബിളും (Yk -ലക്ഷ്യം) വിവരിക്കുന്നു. ഗുണകങ്ങളുടെ ഒപ്റ്റിമൽ മൂല്യങ്ങൾ കണക്കാക്കാൻ സാധാരണ ഏറ്റവും കുറഞ്ഞ ചതുരങ്ങൾ (OLS) പോലുള്ള ഒരു രീതി ഉപയോഗിക്കുന്നു (beta_0, beta_1, beta_2, ..., beta_n). ലക്ഷ്യ മൂല്യം കണക്കാക്കുന്നത്:
Y = beta_0 + beta_01* P1 + beta_2 *P2 + ... + beta_n* Pn
ഇവിടെ: P1, P2...Pn ലക്ഷ്യത്തിന്റെ പ്രവചകരാണ്.
AppMultipleLinearRegression.db എന്ന് പേരുള്ള ഡാറ്റാബേസ് (DB) തരം SQLite-ലെ മൾട്ടിപ്പിൾ റിഗ്രഷൻ മോഡലുകൾക്കായുള്ള ആപ്ലിക്കേഷൻ സേവ് ഡാറ്റ. റിഗ്രഷൻ മോഡലുകളെ പേര് അനുസരിച്ച് വേർതിരിച്ചിരിക്കുന്നു.

ആപ്ലിക്കേഷന്റെ സ്റ്റാർട്ടപ്പ് സ്ക്രീൻ (ആപ്പ് മൾട്ടിപ്പിൾ ലീനിയർ റിഗ്രഷൻ സോൾവർ) റിഗ്രഷൻ മോഡലുകളുടെ സാമ്പിളുകളുടെ ഒരു ലിസ്റ്റും (സ്പിന്നർ ലിസ്റ്റിൽ) ഫംഗ്ഷനുകൾ സൃഷ്ടിക്കുന്നതിനുള്ള ബട്ടണുകളും (പുതിയ സാമ്പിൾ), ലോഡ് (ലോഡ്), സേവ് (സേവ്), സേവ് ആയി (സേവ് ആയി), കണക്കുകൂട്ടൽ (കണക്കുകൂട്ടൽ), ഇല്ലാതാക്കൽ (ഇല്ലാതാക്കുക) എന്നിവ പ്രവർത്തനക്ഷമമാക്കുന്നതിനുള്ള ബട്ടണുകളും പ്രദർശിപ്പിക്കുന്നു. പ്രധാന സ്ക്രീനിൽ നിന്ന്, മെനു ഘടകങ്ങൾ വഴി, ഭാഷാ തിരഞ്ഞെടുപ്പ്, ഡാറ്റാബേസ് സംരക്ഷിക്കൽ, പകർത്തൽ, സാമ്പിൾ ഡാറ്റ ഉപയോഗിച്ച് ഡാറ്റാബേസ് ആരംഭിക്കൽ, ആപ്ലിക്കേഷനുള്ള സഹായം, ക്രമീകരണങ്ങൾ, രചയിതാക്കളുടെ എല്ലാ ആപ്ലിക്കേഷനുകളുടെയും വിവരണമുള്ള വെബ്‌സൈറ്റിലേക്കുള്ള ലിങ്ക് തുടങ്ങിയ സഹായ ഫംഗ്ഷനുകളും നിങ്ങൾക്ക് ആക്‌സസ് ചെയ്യാൻ കഴിയും.
(പുതിയ സാമ്പിൾ) സൃഷ്ടിക്കുന്നതിനുള്ള ഫംഗ്ഷനുകളിൽ മാട്രിക്സിന്റെ വലുപ്പം നൽകുന്നതിനുള്ള ഡയലോഗ് ഉൾപ്പെടുന്നു, അവിടെ പുതിയ സാമ്പിളിന്റെ ഡാറ്റ നൽകുന്നതിനുള്ള വരികളുടെ എണ്ണം (പ്രവചിച്ച ഡാറ്റ P1, P2...Pn– അവസാന വരി എന്നിവയ്ക്കുള്ള വരിയും) നിരകളുടെ എണ്ണവും (ആശ്രിത ഡാറ്റ Y1, Y2,...Yk– അവസാന നിരയും ഉൾപ്പെടെ) നിരകളുടെ എണ്ണം (ആശ്രിത ഡാറ്റ Yk– അവസാന നിരയ്ക്കുള്ള കോളവും ഉൾപ്പെടെ) എന്നിവ ഉൾപ്പെടുന്നു. തുടർന്ന് പ്രസക്തമായ ഡാറ്റ നൽകുന്നതിനുള്ള ജനറേറ്റ് പട്ടിക. സംരക്ഷിക്കുന്നതിന് മുമ്പ് പോപ്പുലേറ്റഡ് പട്ടികയ്ക്ക് പേര് നൽകണം. ലോഡ് ഫംഗ്ഷൻ പട്ടിക മായ്ക്കുക.

സ്പിന്നർ ലിസ്റ്റിൽ നിന്ന് തിരഞ്ഞെടുത്തത് പഴയ സേവ് ചെയ്ത പട്ടിക കാണിച്ചേക്കാം. കാണിക്കുന്ന പട്ടിക കണക്കാക്കാം, പരിഹാരം ആപ്പ് ഫലങ്ങളിൽ ദൃശ്യമാകും. AppMultipleLinearRegressionSolver.txt ഫയലിലെ ഈ ഡയലോഗിൽ നിന്ന് പ്രിന്റ് ഫംഗ്ഷൻ എക്സിക്യൂട്ട് ചെയ്യാം. പ്രിന്റ് ഇൻക്ലൂഡ് ആക്റ്റിവിറ്റി സേവ് Db/സേവ് ഫയൽ അതിലൂടെ ഫയൽ എവിടെ സേവ് ചെയ്യണമെന്ന് തിരഞ്ഞെടുത്തിരിക്കുന്നു. ഫോൾഡർ തിരഞ്ഞെടുത്ത ശേഷം സേവ് ചെയ്യുന്നതിനുള്ള ബട്ടൺ ദൃശ്യമാകുന്നു. അതേ പ്രവർത്തനത്തിൽ നിന്ന് തിരഞ്ഞെടുത്ത ഫയലിന്റെ ഉള്ളടക്കം കാണിച്ചേക്കാം, ഫയലിന്റെയോ ഫോൾഡറിന്റെയോ പേരുമാറ്റാൻ, പുതിയ ഫോൾഡർ സൃഷ്ടിക്കാൻ, തിരഞ്ഞെടുത്ത ഫയൽ ഇല്ലാതാക്കാനും.

മൾട്ടിപ്പിൾ ലീനിയർ റിഗ്രഷൻ ഒരു ശക്തമായ ഡാറ്റ വിശകലന ഉപകരണമാണ്, പക്ഷേ അത് ജാഗ്രതയോടെയും അതിന്റെ പരിമിതികളെക്കുറിച്ചുള്ള ധാരണയോടെയും ഉപയോഗിക്കണം.
പോരായ്മകൾ: മൾട്ടികോളിനിയാരിറ്റിയോട് സംവേദനക്ഷമതയുള്ളത് (സ്വതന്ത്ര വേരിയബിളുകൾ തമ്മിലുള്ള ശക്തമായ പരസ്പരബന്ധം). എല്ലായ്‌പ്പോഴും രേഖീയമല്ലാത്ത ബന്ധങ്ങൾ പിടിച്ചെടുക്കുന്നില്ല. അനുമാനങ്ങളുടെ സൂക്ഷ്മമായ സ്ഥിരീകരണവും പരിശോധനയും ആവശ്യമാണ്.