App Multiple Linear Regression

ivan gabrovski

यामध्‍ये जाहिराती आहेत

या अ‍ॅपविषयी

मल्टिपल रेषीय प्रतिगमन ही एक सांख्यिकीय पद्धत आहे जी एका अवलंबित चल आणि दोन किंवा अधिक स्वतंत्र चलांमधील संबंधांचे मॉडेलिंग करण्यासाठी वापरली जाते ज्यामध्ये निरीक्षण केलेल्या डेटामध्ये एक रेषीय समीकरण बसवले जाते. मल्टिपल रेषीय प्रतिगमन हे स्पष्ट करते की एकाच वेळी अनेक प्रेडिक्टर्स एका परिणाम चलावर कसे परिणाम करतात.

मल्टिपल रेषीय प्रतिगमनचे मुख्य घटक:

- डिपेंडंट व्हेरिएबल (Y): हे असे व्हेरिएबल आहे ज्याचा आपण अंदाज लावू इच्छितो. याला अनेकदा "टार्गेट व्हेरिएबल" किंवा "रिस्पॉन्स" असेही म्हणतात.

- इंडिपेंडंट व्हेरिएबल (X1, X2, ..., Xn): हे असे व्हेरिएबल आहेत जे आपण अवलंबित चलाचा अंदाज लावण्यासाठी वापरतो. त्यांना अनेकदा "प्रेडिक्टर" किंवा "स्पष्टीकरणात्मक व्हेरिएबल्स" असेही म्हणतात.

- रिग्रेशन मॉडेल: मल्टिपल रेषीय प्रतिगमनाचे समीकरण खालील स्वरूपाचे आहे:

Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn
जिथे:

Y हा अवलंबित चल आहे. X1, X2, ..., Xn हे स्वतंत्र चल आहेत.

beta_0 हा स्थिरांक (इंटरसेप्ट) आहे. beta_1,beta_2, ..., beta_n हे प्रतिगमन गुणांक आहेत जे अवलंबून असलेल्या चलावर संबंधित स्वतंत्र चलांचा प्रभाव दर्शवतात.

अनुप्रयोग: - अर्थशास्त्र (उत्पन्न अंदाज); - आरोग्यसेवा (जोखीम घटक विश्लेषण); - अभियांत्रिकी; - सामाजिक विज्ञान; - व्यवसाय अंदाज.

उदाहरण: - घराच्या किमतीचा अंदाज लावणे: - घराचा आकार; - बेडरूमची संख्या; - घराचे वय
अ‍ॅपमध्ये प्रत्येक वस्तू Object_k( object_1, object_2 ... object_m) स्वतंत्र चलांद्वारे वर्णन केली जाते (Xki – वैशिष्ट्ये, i = 1...n ) आणि एक अवलंबून चल (Yk -target). गुणांकांच्या इष्टतम मूल्यांची गणना करण्यासाठी सामान्य किमान वर्ग (OLS) सारखी पद्धत वापरली जाते (beta_0, beta_1, beta_2, ..., beta_n). लक्ष्य मूल्याची गणना याद्वारे केली जाते:
Y = beta_0 + beta_01* P1 + beta_2 *P2 + ... + beta_n* Pn
जिथे: P1, P2...Pn हे लक्ष्याचे भविष्यसूचक आहेत.
डेटाबेस (DB) प्रकार SQLite मधील अनेक रिग्रेशन मॉडेल्ससाठी AppMultipleLinearRegression.db नावाचा अॅप्लिकेशन डेटा सेव्ह करतो. रिग्रेशन मॉडेल्सना नावाने वेगळे केले जाते.
अॅप्लिकेशनची स्टार्टअप स्क्रीन (अॅप मल्टिपल लाइनर रिग्रेशन सॉल्व्हर) रिग्रेशन मॉडेल्सच्या नमुन्यांची यादी (स्पिनर लिस्टमध्ये) आणि रिग्रेशन मॉडेल्सचे नमुने तयार करण्यासाठी (नवीन नमुना), लोड (लोड), सेव्ह (सेव्ह), सेव्ह म्हणून (सेव्ह म्हणून), कॅल्क्युलेट (कॅल्क्युलेट) आणि डिलीट (डिलीट) फंक्शन्स सक्षम करण्यासाठी बटणे प्रदर्शित करते. मुख्य स्क्रीनवरून, मेनू घटकांद्वारे, तुम्ही भाषा निवड, डेटाबेस सेव्ह करणे आणि कॉपी करणे, नमुना डेटासह डेटाबेस सुरू करणे आणि अॅप्लिकेशनसाठी मदत, सेटिंग्ज आणि लेखकांनी सर्व अॅप्लिकेशन्सच्या वर्णनासह वेबसाइटची लिंक यासारख्या सहाय्यक फंक्शन्समध्ये देखील प्रवेश करू शकता.
(नवीन नमुना) तयार करण्याच्या फंक्शन्समध्ये मॅट्रिक्सचा आकार इनपुट करण्यासाठी डायलॉग समाविष्ट आहे जिथे नवीन नमुना डेटा प्रविष्ट केला जातो - पंक्तींची संख्या (अंदाजित डेटासाठी पंक्ती समाविष्ट संख्या P1, P2...Pn- शेवटची पंक्ती) आणि स्तंभांची संख्या (अवलंबित डेटासाठी स्तंभ समाविष्ट संख्या Y1, Y2,...Yk- शेवटचा स्तंभ). नंतर संबंधित डेटा प्रविष्ट करण्यासाठी टेबल तयार केले जातात. पॉप्युलेटेड टेबलला सेव्ह करण्यापूर्वी नाव दिले पाहिजे. फंक्शन लोड करा टेबल साफ करा.

जुने सेव्ह केलेले टेबल स्पिनर सूचीमधून निवडून दाखवले जाऊ शकते. दाखवलेले टेबल मोजले जाऊ शकते आणि उपाय डायलॉग अॅप निकालांमध्ये दिसतात. प्रिंट फंक्शन AppMultipleLinearRegressionSolver.txt फाइलमधील या डायलॉगमधून कार्यान्वित केले जाऊ शकते. प्रिंट समाविष्ट क्रियाकलाप सेव्ह Db/सेव्ह फाइल निवडलेल्या फोल्डरद्वारे केले जाते जिथे फाइल सेव्ह करायची. फोल्डर निवडल्यानंतर सेव्ह करण्यासाठी बटण दिसते. त्याच क्रियाकलापातून निवडलेल्या फाइलची सामग्री दर्शविली जाऊ शकते, फाइल किंवा फोल्डरचे नाव बदलणे, नवीन फोल्डर तयार करणे आणि निवडलेली फाइल हटवणे.
मल्टिपल रेषीय प्रतिगमन हे एक शक्तिशाली डेटा विश्लेषण साधन आहे, परंतु ते सावधगिरीने आणि त्याच्या मर्यादा समजून घेऊन वापरले पाहिजे.
तोटे: बहु-रेषीयतेला संवेदनशील (स्वतंत्र चलांमधील मजबूत सहसंबंध). नेहमीच अरेषीय संबंध पकडत नाही. गृहीतकांची काळजीपूर्वक पडताळणी आणि तपासणी आवश्यक आहे.