App Multiple Linear Regression

ivan gabrovski

ကြော်ငြာများ ပါရှိပါသည်

ဤအက်ပ်အကြောင်း

Multiple Linear Regression ဆိုသည်မှာ dependent variable တစ်ခုနှင့် နှစ်ခု သို့မဟုတ် နှစ်ခုထက်ပိုသော independent variable များအကြား ဆက်နွယ်မှုကို ပုံစံပြုရန် အသုံးပြုသော စာရင်းအင်းနည်းလမ်းတစ်ခုဖြစ်ပြီး linear equation တစ်ခုကို လေ့လာတွေ့ရှိထားသော data များနှင့် ကိုက်ညီအောင် ပြုလုပ်ပေးပါသည်။ Multiple linear regression သည် predictor များစွာသည် outcome variable တစ်ခုကို တစ်ပြိုင်နက်တည်း မည်သို့အကျိုးသက်ရောက်သည်ကို ရှင်းပြသည်။

Multiple linear regression ၏ အဓိက အစိတ်အပိုင်းများ-
- Dependent variable (Y): ၎င်းသည် ကျွန်ုပ်တို့ ခန့်မှန်းလိုသော variable ဖြစ်သည်။ ၎င်းကို "target variable" သို့မဟုတ် "response" ဟုလည်း ခေါ်လေ့ရှိသည်။
- Independent variable များ (X1, X2, ..., Xn): ၎င်းတို့သည် dependent variable ကို ခန့်မှန်းရန် ကျွန်ုပ်တို့ အသုံးပြုသော variable များ ဖြစ်သည်။ ၎င်းတို့ကို "predictors" သို့မဟုတ် "explanatory variable များ" ဟုလည်း ခေါ်လေ့ရှိသည်။
- Regression model: Multiple linear regression ၏ equation တွင် အောက်ပါပုံစံရှိသည်-
Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn

ဤတွင်-
Y သည် dependent variable ဖြစ်သည်။ X1, X2, ..., Xn များသည် independent variable များ ဖြစ်သည်။
beta_0 သည် constant (intercept) ဖြစ်သည်။ beta_1,beta_2, ..., beta_n တို့သည် သက်ဆိုင်ရာ လွတ်လပ်သော variable များ၏ မှီခို variable အပေါ် သက်ရောက်မှုကို ညွှန်ပြသည့် regression coefficient များဖြစ်သည်။

အသုံးချမှုများ- - စီးပွားရေး (ဝင်ငွေခန့်မှန်းချက်)၊ - ကျန်းမာရေးစောင့်ရှောက်မှု (အန္တရာယ်အချက် ခွဲခြမ်းစိတ်ဖြာခြင်း)၊ - အင်ဂျင်နီယာပညာ၊ - လူမှုရေးသိပ္ပံ၊ - စီးပွားရေး ခန့်မှန်းချက်။
ဥပမာ- အိမ်ဈေးနှုန်းကို အောက်ပါအချက်များအပေါ် အခြေခံ၍ ခန့်မှန်းခြင်း- - အိမ်အရွယ်အစား၊ - အိပ်ခန်းအရေအတွက်၊ - အိမ်၏သက်တမ်း
အက်ပ်တွင် object Object_k( object_1, object_2 ... object_m) တစ်ခုချင်းစီကို လွတ်လပ်သော variable များ (Xki – features, i = 1...n) နှင့် မှီခို variable တစ်ခု (Yk -target) ဖြင့် ဖော်ပြထားသည်။ ordinary least squares (OLS) ကဲ့သို့သော နည်းလမ်းကို coefficient များ၏ အကောင်းဆုံးတန်ဖိုးများ (beta_0, beta_1, beta_2, ..., beta_n) ကို တွက်ချက်ရန် အသုံးပြုသည်။ target value ကို အောက်ပါအတိုင်း တွက်ချက်သည်-
Y = beta_0 + beta_01* P1 + beta_2 *P2 + ... + beta_n* Pn
ဤတွင်- P1, P2...Pn များသည် ပစ်မှတ်၏ ခန့်မှန်းချက်များဖြစ်သည်။
အပလီကေးရှင်းသည် database (DB) အမျိုးအစား SQLite တွင် multiple regression model များအတွက် data များကို သိမ်းဆည်းပေးသည့် data ကို AppMultipleLinearRegression.db ဟု အမည်ပေးထားသည်။ regression model များကို အမည်အလိုက် ခွဲခြားထားသည်။
အပလီကေးရှင်း၏ startup screen (App Multiple Linear Regression Solver) တွင် regression model နမူနာများစာရင်း (spinner list တွင်) နှင့် regression model နမူနာများ (New sample) ဖန်တီးခြင်း၊ load (Load)၊ save (Save)၊ save as (Save as)၊ calculate (Calculate) နှင့် delete (Delete) လုပ်ဆောင်ချက်များကို ဖွင့်ပေးသည့် ခလုတ်များကို ပြသထားသည်။ main screen မှ menu element များမှတစ်ဆင့် ဘာသာစကားရွေးချယ်မှု၊ database ကို save လုပ်ခြင်းနှင့် copy လုပ်ခြင်း၊ sample data ဖြင့် database ကို initialize လုပ်ခြင်း၊ အပလီကေးရှင်းအတွက် အကူအညီ၊ setting များနှင့် author များမှ အပလီကေးရှင်းအားလုံး၏ ဖော်ပြချက်ပါရှိသော website သို့ link တစ်ခုကဲ့သို့သော auxiliary function များကိုလည်း ဝင်ရောက်ကြည့်ရှုနိုင်သည်။
(နမူနာအသစ်) ဖန်တီးရန် လုပ်ဆောင်ချက်များတွင် နမူနာအသစ်၏ဒေတာကိုထည့်သွင်းသည့် matrix အရွယ်အစားကိုထည့်သွင်းရန် dialog ပါရှိသည် - row အရေအတွက် (ခန့်မှန်းဒေတာအတွက် row အရေအတွက် P1၊ P2...Pn– နောက်ဆုံးအတန်း) နှင့် column အရေအတွက် (မှီခိုဒေတာအတွက် column အရေအတွက် Y1၊ Y2၊...Yk– နောက်ဆုံးကော်လံ)။ ထို့နောက် သက်ဆိုင်ရာဒေတာထည့်သွင်းရန် table ကို generate လုပ်သည်။ သိမ်းဆည်းခြင်းမပြုမီ ဖြည့်ထားသောဇယားကို အမည်ပေးရမည်။ Load clear the table function။

save လုပ်ထားသောဇယားဟောင်းကို spinner list မှ ရွေးချယ်ခြင်းဖြင့်ပြသနိုင်သည်။ ပြသထားသောဇယားကို တွက်ချက်နိုင်ပြီး အဖြေကို dialog App ရလဒ်များတွင် ပေါ်လာနိုင်သည်။ Print function ကို AppMultipleLinearRegressionSolver.txt ဖိုင်ရှိ ဤ dialog မှ လုပ်ဆောင်နိုင်သည်။ Print include activity သည် ဖိုင်ကိုသိမ်းဆည်းရန် ရွေးချယ်ထားသော folder တွင် Save Db/Save ဖိုင်ဖြစ်သည်။ folder ကိုရွေးချယ်ပြီးနောက် save လုပ်ရန် button ပေါ်လာသည်။ တူညီသောလုပ်ဆောင်ချက်မှ ရွေးချယ်ထားသောဖိုင်၏အကြောင်းအရာ၊ ဖိုင် သို့မဟုတ် folder ကိုအမည်ပြောင်းရန်၊ folder အသစ်ဖန်တီးရန်နှင့် ရွေးချယ်ထားသောဖိုင်ကိုဖျက်ရန် ပြသနိုင်သည်။
Multiple linear regression သည် အစွမ်းထက်သောဒေတာခွဲခြမ်းစိတ်ဖြာရေးကိရိယာတစ်ခုဖြစ်သော်လည်း သတိထားပြီး ၎င်း၏ကန့်သတ်ချက်များကို နားလည်စွာအသုံးပြုရမည်။
အားနည်းချက်များ- များစွာသော collinearity (လွတ်လပ်သော variable များအကြား ခိုင်မာသော correlation) ကို ထိခိုက်လွယ်သည်။ nonlinear relationship များကို အမြဲတမ်းဖမ်းယူနိုင်ခြင်းမရှိပါ။ ယူဆချက်များကို ဂရုတစိုက် validation နှင့် စစ်ဆေးရန် လိုအပ်ပါသည်။