App Multiple Linear Regression

ivan gabrovski

Зар агуулсан

Энэ аппын тухай

Олон шугаман регресс гэдэг нь ажиглагдсан өгөгдөлд шугаман тэгшитгэлийг тохируулснаар нэг хамааралтай хувьсагч ба хоёр ба түүнээс дээш бие даасан хувьсагчдын хоорондын хамаарлыг загварчлахад ашигладаг статистик арга юм. Олон шугаман регресс нь хэд хэдэн таамаглагч нь үр дүнгийн хувьсагчид хэрхэн нэгэн зэрэг нөлөөлж байгааг тайлбарладаг.

Олон шугаман регрессийн үндсэн бүрэлдэхүүн хэсгүүд:
- Хамааралтай хувьсагч (Y): Энэ бол бидний таамаглахыг хүсч буй хувьсагч юм. Үүнийг ихэвчлэн "зорилтот хувьсагч" эсвэл "хариу үйлдэл" гэж нэрлэдэг.
- Бие даасан хувьсагч (X1, X2, ..., Xn): Эдгээр нь бидний хамааралтай хувьсагчийг таамаглахад ашигладаг хувьсагч юм. Тэдгээрийг ихэвчлэн "таамаглагч" эсвэл "тайлбарлагч хувьсагч" гэж нэрлэдэг.
- Регрессийн загвар: Олон шугаман регрессийн тэгшитгэл нь дараах хэлбэртэй байна:
Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn
энд:
Y нь хамааралтай хувьсагч. X1, X2, ..., Xn нь бие даасан хувьсагч.
beta_0 нь тогтмол (огтлолт). beta_1, beta_2, ..., beta_n нь хамааралтай хувьсагчид харгалзах бие даасан хувьсагчдын нөлөөллийг харуулсан регрессийн коэффициентууд юм.

Хэрэглээ: - Эдийн засаг (орлогын урьдчилсан тооцоо); - Эрүүл мэндийн үйлчилгээ (эрсдэлийн хүчин зүйлийн шинжилгээ); - Инженерчлэл; - Нийгмийн ухаан; - Бизнесийн урьдчилсан тооцоо.
Жишээ: Байшингийн үнийг дараах зүйлс дээр үндэслэн урьдчилан таамаглах: -Байшингийн хэмжээ; -Унтлагын өрөөний тоо; -Байшингийн нас
Аппликейшнд Object_k(object_1, object_2 ... object_m) объект бүрийг бие даасан хувьсагч (Xki – онцлог, i = 1...n) болон нэг хамааралтай хувьсагч (Yk -target)-аар тодорхойлсон. Энгийн хамгийн бага квадрат (OLS) гэх мэт аргыг коэффициентүүдийн оновчтой утгыг (beta_0, beta_1, beta_2, ..., beta_n) тооцоолоход ашигладаг. Зорилтот утгыг дараах байдлаар тооцоолно:
Y = beta_0 + beta_01* P1 + beta_2 *P2 + ... + beta_n* Pn
энд: P1, P2...Pn нь зорилтот таамаглагч юм.
Аппликейшн нь AppMultipleLinearRegression.db нэртэй SQLite төрлийн өгөгдлийн сан (DB)-д олон регрессийн загваруудын өгөгдлийг хадгалдаг. Регрессийн загваруудыг нэрээр нь ялгадаг.

Аппликейшны эхлүүлэх дэлгэц (App Multiple Linear Regression Solver) нь регрессийн загваруудын дээжийн жагсаалтыг (эргэлтийн жагсаалтад) болон регрессийн загваруудын дээжийг үүсгэх (Шинэ дээж), ачаалах (Ачаалах), хадгалах (Хадгалах), хадгалах (Хадгалах), тооцоолох (Тооцоолох), устгах (Устгах) функцуудыг идэвхжүүлэх товчлууруудыг харуулдаг. Үндсэн дэлгэцээс цэсний элементүүдээр дамжуулан та хэл сонгох, өгөгдлийн санг хадгалах, хуулах, өгөгдлийн санг дээжийн өгөгдөлтэй эхлүүлэх, програмын тусламж, тохиргоо, зохиогчдын бүх програмын тайлбар бүхий вэбсайт руу холбогдох зэрэг туслах функцүүдэд хандах боломжтой.

(Шинэ дээж) үүсгэх функцүүдэд шинэ дээжийн өгөгдлийг оруулах матрицын хэмжээг оруулах харилцах цонх багтана - мөрийн тоо (таамагласан өгөгдлийн P1, P2...Pn - сүүлийн мөр) болон баганын тоо (хамааралтай өгөгдлийн Y1, Y2,...Yk - сүүлийн багана) Дараа нь холбогдох өгөгдлийг оруулах хүснэгтийг үүсгэнэ. Хадгалахаас өмнө дүүргэсэн хүснэгтэд нэр өгөх ёстой. Load функц нь хүснэгтийг цэвэрлэнэ.

Хуучин хадгалсан хүснэгт нь эргэлдэгч жагсаалтаас сонгогдсон хүснэгтээр харагдаж байж магадгүй. Харуулж буй хүснэгтийг тооцоолж, шийдэл нь програмын үр дүнгийн харилцах цонхонд гарч ирнэ. Хэвлэх функцийг AppMultipleLinearRegressionSolver.txt файл дахь энэ харилцах цонхноос гүйцэтгэж болно. Хэвлэх үйлдлийг хадгалах Db/файлыг хадгалах нь файлыг хадгалах хавтсыг сонгосон хавтас юм. Хавтсыг сонгосны дараа хадгалах товчлуур гарч ирнэ. Ижил үйлдлээс сонгосон файлын агуулгыг харуулах, файл эсвэл хавтасны нэрийг өөрчлөх, шинэ хавтас үүсгэх, мөн сонгосон файлыг устгах боломжтой.

Олон шугаман регресс нь хүчирхэг өгөгдлийн шинжилгээний хэрэгсэл боловч үүнийг болгоомжтой, хязгаарлалтыг нь ойлгож ашиглах ёстой.

Сул талууд: Мультиколлинеарт мэдрэмтгий (бие даасан хувьсагчдын хоорондын хүчтэй корреляци). Шугаман бус хамаарлыг үргэлж тусгадаггүй. Таамаглалыг сайтар баталгаажуулж, шалгахыг шаарддаг.