App Multiple Linear Regression

ivan gabrovski

विज्ञापनहरू समावेश गर्दछ

यो एपका बारेमा

मल्टिपल रेखीय प्रतिगमन भनेको एक आश्रित चर र दुई वा बढी स्वतन्त्र चरहरू बीचको सम्बन्धलाई अवलोकन गरिएको डेटामा रेखीय समीकरण फिट गरेर मोडेल गर्न प्रयोग गरिने तथ्याङ्कीय विधि हो। मल्टिपल रेखीय प्रतिगमनले कसरी धेरै भविष्यसूचकहरूले एकै साथ परिणाम चरलाई असर गर्छन् भनेर व्याख्या गर्दछ।
मल्टिपल रेखीय प्रतिगमनका मुख्य घटकहरू:
- निर्भर चर (Y): यो हामीले भविष्यवाणी गर्न चाहेको चर हो। यसलाई प्रायः "लक्ष्य चर" वा "प्रतिक्रिया" पनि भनिन्छ।
- स्वतन्त्र चर (X1, X2, ..., Xn): यी चरहरू हुन् जुन हामीले आश्रित चरको भविष्यवाणी गर्न प्रयोग गर्छौं। तिनीहरूलाई प्रायः "भविष्यसूचक" वा "व्याख्यात्मक चरहरू" पनि भनिन्छ।
- रिग्रेसन मोडेल: मल्टिपल रेखीय प्रतिगमनको समीकरणको निम्न रूप हुन्छ:
Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn
जहाँ:
Y आश्रित चर हो। X1, X2, ..., Xn स्वतन्त्र चरहरू हुन्।
beta_0 स्थिरांक (अवरोध) हो। beta_1,beta_2, ..., beta_n त्यस्ता प्रतिगमन गुणांकहरू हुन् जसले आश्रित चरमा सम्बन्धित स्वतन्त्र चरहरूको प्रभावलाई संकेत गर्दछ।

अनुप्रयोगहरू: - अर्थशास्त्र (आय भविष्यवाणी); - स्वास्थ्य सेवा (जोखिम कारक विश्लेषण); - इन्जिनियरिङ; - सामाजिक विज्ञान; - व्यवसाय पूर्वानुमान।

उदाहरण: निम्न आधारमा घरको मूल्य भविष्यवाणी गर्ने: - घरको आकार; - शयनकक्षहरूको संख्या; - घरको उमेर
एपमा प्रत्येक वस्तु Object_k( object_1, object_2 ... object_m) लाई स्वतन्त्र चरहरू (Xki - सुविधाहरू, i = 1...n) र एउटा आश्रित चर (Yk -target) द्वारा वर्णन गरिएको छ। गुणांकहरूको इष्टतम मानहरू गणना गर्न साधारण न्यूनतम वर्ग (OLS) जस्ता विधि प्रयोग गरिन्छ (beta_0, beta_1, beta_2, ..., beta_n)। लक्ष्य मान निम्नद्वारा गणना गरिन्छ:
Y = beta_0 + beta_01* P1 + beta_2 *P2 + ... + beta_n* Pn
जहाँ: P1, P2...Pn लक्ष्यका भविष्यसूचकहरू हुन्।
डाटाबेस (DB) प्रकार SQLite मा बहु रिग्रेसन मोडेलहरूको लागि एप्लिकेसन बचत डेटा AppMultipleLinearRegression.db नाम दिइएको छ। रिग्रेसन मोडेलहरू नामद्वारा छुट्याइन्छ।
एप्लिकेसनको स्टार्टअप स्क्रिन (एप मल्टिपल लाइनर रिग्रेसन सोल्भर) ले रिग्रेसन मोडेलहरूको नमूनाहरूको सूची (स्पिनर सूचीमा) र रिग्रेसन मोडेलहरूको नमूनाहरू सिर्जना गर्न (नयाँ नमूना), लोड (लोड), बचत (बचत), बचतको रूपमा (बचत गर्नुहोस्), गणना गर्नुहोस् (गणना गर्नुहोस्), र मेटाउनुहोस् (मेटाउनुहोस्) कार्यहरू सक्षम पार्न बटनहरू प्रदर्शन गर्दछ। मुख्य स्क्रिनबाट, मेनु तत्वहरू मार्फत, तपाईंले भाषा चयन, डाटाबेस बचत र प्रतिलिपि गर्ने, नमूना डेटाको साथ डाटाबेस सुरु गर्ने, र अनुप्रयोगको लागि मद्दत, सेटिङहरू, र लेखकहरू द्वारा सबै अनुप्रयोगहरूको विवरणको साथ वेबसाइटको लिङ्क जस्ता सहायक कार्यहरू पनि पहुँच गर्न सक्नुहुन्छ।
(नयाँ नमूना) सिर्जना गर्ने कार्यहरूमा म्याट्रिक्सको आकार इनपुट गर्ने संवाद समावेश हुन्छ जहाँ नयाँ नमूनाको डेटा प्रविष्ट गरिन्छ - पङ्क्तिहरूको संख्या (संख्याले भविष्यवाणी गरिएको डेटाको लागि पङ्क्ति समावेश गर्दछ P1, P2...Pn– अन्तिम पङ्क्ति) र स्तम्भहरूको संख्या (संख्याले निर्भर डेटाको लागि स्तम्भ समावेश गर्दछ Y1, Y2,...Yk– अन्तिम स्तम्भ)। त्यसपछि सान्दर्भिक डेटा प्रविष्ट गर्न तालिका उत्पन्न गरिन्छ। भरिएको तालिका बचत गर्नु अघि नामकरण गर्नुपर्छ। प्रकार्य लोड गर्नुहोस् तालिका खाली गर्नुहोस्।
स्पिनर सूचीबाट चयन गरिएको पुरानो बचत गरिएको तालिका देखिन सक्छ। देखाउने तालिका गणना गर्न सकिन्छ र समाधान संवाद एप परिणामहरूमा देखा पर्दछ। प्रकार्य प्रिन्ट यस संवादबाट फाइल AppMultipleLinearRegressionSolver.txt मा कार्यान्वयन गर्न सकिन्छ। प्रिन्ट समावेश गतिविधि बचत गर्नुहोस्/फाइल द्वारा फाइल बचत गर्नुहोस् चयन गरिएको फोल्डर हो जहाँ फाइल बचत गर्ने। फोल्डर चयन गरेपछि बचतको लागि बटन देखा पर्दछ। उही गतिविधिबाट चयन गरिएको फाइलको सामग्री देखाउन सकिन्छ, फाइल वा फोल्डर पुन: नामाकरण गर्न, नयाँ फोल्डर सिर्जना गर्न र चयन गरिएको फाइल मेटाउन पनि।
बहु रैखिक प्रतिगमन एक शक्तिशाली डेटा विश्लेषण उपकरण हो, तर यसलाई सावधानीपूर्वक र यसको सीमितताहरूको बुझाइका साथ प्रयोग गर्नुपर्छ।
बेफाइदाहरू: बहु-रेखीयता (स्वतन्त्र चरहरू बीचको बलियो सहसम्बन्ध) प्रति संवेदनशील। यसले सधैं गैर-रेखीय सम्बन्धहरूलाई समेट्दैन। सावधानीपूर्वक प्रमाणीकरण र अनुमानहरूको जाँच आवश्यक छ।