App Multiple Linear Regression

ivan gabrovski

Mengandungi iklan

Perihal apl ini

Regresi Linear Berganda ialah kaedah statistik yang digunakan untuk memodelkan hubungan antara satu pembolehubah bersandar dan dua atau lebih pembolehubah bebas dengan memadankan persamaan linear dengan data yang diperhatikan. Regresi linear berganda menerangkan bagaimana beberapa peramal secara serentak mempengaruhi pembolehubah hasil.

Komponen utama regresi linear berganda:
- Pembolehubah bersandar (Y): Ini ialah pembolehubah yang ingin kita ramalkan. Ia sering juga dipanggil "pembolehubah sasaran" atau "tindak balas."
- Pembolehubah bebas (X1, X2, ..., Xn): Ini ialah pembolehubah yang kita gunakan untuk meramalkan pembolehubah bersandar. Ia sering juga dipanggil "peramal" atau "pembolehubah penjelasan."
- Model regresi: Persamaan regresi linear berganda mempunyai bentuk berikut:
Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn

di mana:

Y ialah pembolehubah bersandar. X1, X2, ..., Xn ialah pembolehubah bebas.

beta_0 ialah pemalar (pintasan). beta_1,beta_2, ..., beta_n ialah pekali regresi yang menunjukkan pengaruh pembolehubah bebas yang sepadan terhadap pembolehubah bersandar.

Aplikasi: - Ekonomi (ramalan pendapatan);- Penjagaan kesihatan (analisis faktor risiko); -Kejuruteraan; - Sains sosial; -Ramalan perniagaan.
Contoh:Meramalkan harga rumah berdasarkan: -Saiz rumah; -Bilangan bilik tidur; -Umur rumah
Dalam aplikasi, setiap objek Object_k(object_1, object_2 ... object_m) digambarkan oleh pembolehubah bebas(Xki – ciri, i = 1...n) dan satu pembolehubah bersandar(Yk -sasaran). Kaedah seperti kuasa dua terkecil biasa (OLS) digunakan untuk mengira nilai optimum pekali (beta_0, beta_1, beta_2, ..., beta_n). Nilai sasaran dikira dengan:
Y = beta_0 + beta_01* P1 + beta_2 *P2 + ... + beta_n* Pn
di mana: P1, P2...Pn ialah peramal sasaran.
Aplikasi ini menyimpan data untuk model regresi berganda dalam pangkalan data (DB) jenis SQLite bernama AppMultipleLinearRegression.db. Model regresi dibezakan mengikut nama.
Skrin permulaan aplikasi (App Multiple Linear Regression Solver) memaparkan senarai sampel model regresi (dalam senarai spinner) dan butang untuk mendayakan fungsi mencipta (Sampel baharu), memuatkan (Muatkan), menyimpan (Simpan), menyimpan sebagai (Simpan sebagai), mengira (Kira), dan memadam (Padam) sampel model regresi. Dari skrin utama, melalui elemen menu, anda juga boleh mengakses fungsi seperti pemilihan bahasa, menyimpan dan menyalin pangkalan data, memulakan pangkalan data dengan data sampel, dan fungsi tambahan seperti bantuan untuk aplikasi, tetapan, dan pautan ke laman web dengan penerangan semua aplikasi oleh pengarang.
Fungsi untuk mencipta (Sampel baharu) termasuk dialog untuk memasukkan saiz matriks di mana memasukkan data sampel baharu – bilangan baris (nombor termasuk baris untuk data ramalan P1, P2...Pn– baris terakhir) dan bilangan lajur (nombor termasuk lajur untuk data bersandar Y1, Y2,...Yk– lajur terakhir). Kemudian, jadual dijana untuk memasukkan data yang berkaitan. Jadual yang diisi mesti dinamakan sebelum disimpan. Fungsi Load akan mengosongkan jadual.
Jadual lama yang disimpan mungkin dipaparkan dengan dipilih daripada senarai spinner. Jadual yang dipaparkan boleh dikira dan penyelesaian akan dipaparkan dalam dialog Hasil aplikasi. Fungsi Print boleh dilaksanakan daripada dialog ini dalam fail AppMultipleLinearRegressionSolver.txt. Aktiviti Print akan memasukkan fail Save Db/Save yang dipilih di folder tempat menyimpan fail. Selepas memilih folder, butang untuk menyimpan akan muncul. Daripada aktiviti yang sama, kandungan fail yang dipilih mungkin dipaparkan, untuk menamakan semula fail atau folder, untuk mencipta folder baharu dan juga untuk memadam fail yang dipilih.
Regresi linear berganda ialah alat analisis data yang berkuasa, tetapi ia mesti digunakan dengan berhati-hati dan memahami batasannya.
Kelemahan: Sensitif terhadap multikolineariti (korelasi yang kuat antara pembolehubah bebas). Tidak selalunya menangkap hubungan tak linear. Memerlukan pengesahan dan pemeriksaan andaian yang teliti.