Usoro Obere Akụkụ: Nyocha zuru oke
Usoro Least Squares bụ otu n'ime usoro kachasị mkpa na nyocha nlọghachi ọnụ ọgụgụ, na-arụ ọrụ dị oke mkpa na nhazi data, nhazi, na nyocha amụma. Ọ bụ ụzọ mgbakọ na mwepụ nke na-ebelata mkpokọta nke square nke ọdịiche dị n'etiti ụkpụrụ a hụrụ na amụma. Site n'ime nke a, ọ na-enye ahịrị ma ọ bụ mgbagọ kacha mma maka otu isi ihe data enyere. N'isiokwu a, anyị ga-enyocha ntọala, ngwa, ihe ndị sitere na ya, na mmachi nke Usoro Least Squares.
Akụkọ ihe mere eme
Carl Friedrich Gauss bu ụzọ webata usoro Least Squares n'afọ 1795 mgbe ọ dị afọ 18, ọ bụ ezie na ebipụtaghị ya ruo 1809. Adrien-Marie Legendre, onye ọzọ a ma ama na mgbakọ na mwepụ, mepụtara ma bipụta usoro yiri nke ahụ n'onwe ya na 1805. N'agbanyeghị nke a, nkọwa na mgbasawanye nke usoro Gauss tọrọ ntọala maka ojiji ọgbara ọhụrụ.
Ntọala mgbakọ na mwepụ
N'ụdị ya kachasị mfe, a na-eji usoro Least Squares eme ihe iji tinye ihe nlereanya linear na setịpụ isi ihe data. N'inye otu setịpụ isi ihe data `n` \((x_1, y_1), (x_2, y_2), …, (x_n, y_n)\, ebumnuche bụ ịchọta ahịrị \(y = mx + c\) nke na-ebelata mkpokọta square nke anya kwụ ọtọ (ihe fọdụrụ) n'etiti ụkpụrụ a hụrụ \(y_i\) na ụkpụrụ ndị e buru n'amụma site na ahịrị \(\hat{y}_i\).
N'ihe gbasara mgbakọ na mwepụ, ebumnuche a nwere ike ịbụ:
\[ S = \sum_{i=1}^{n} (y_i – \hat{y}_i)^2 = \sum_{i=1}^{n} (y_i – (mx_i + c))^2 \]
Nha nhata a na-anọchite anya mkpokọta nke square nke ihe fọdụrụ, \(S\), ihe mgbaru ọsọ anyị bụkwa ịchọta uru nke \(m\) (mkpọda) na \(c\) (nkwụsị) nke na-ebelata \(S\).
Nweta
Iji chọta ụkpụrụ nke \(m\) na \(c\) nke na-ebelata mkpokọta nke squares \(S\), anyị na-ewere akụkụ nke \(S\) ma e jiri ya tụnyere \(m\) na \(c\) wee tinye ha na efu.
1. Ihe e ji aka dee n'akụkụ ya gbasara \(m\):
\[ \frac{\partial S}{\partial m} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-x_i) = 0 \]
2. Ihe sitere na akụkụ ya n'ihe gbasara \(c\):
\[ \frac{\partial S}{\partial c} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-1) = 0 \]
Idozi nha nha ndị a n'otu oge na-eme ka nha nha ndị a na-ahụkarị pụta:
\[ m = \frac{n(\sum x_i y_i) – (\sum x_i)(\sum y_i)}{n (\sum x_i^2) – (\sum x_i)^2} \]
\[ c = \frac{(\sum y_i)(\sum x_i^2) – (\sum x_i)(\sum x_i y_i)}{n(\sum x_i^2) – (\sum x_i)^2} \]
Usoro ndị a na-enye anyị uru nke \(m\) na \(c\) nke na-ebelata mkpokọta ihe fọdụrụnụ nke nwere akụkụ anọ.
ngwa
Usoro Least Squares nwere ọtụtụ ngwa dị iche iche na ngalaba dị iche iche:
1. Akụnụba na Ego: A na-eji ya atụ ihe nlereanya na amụma ihe ngosi akụ na ụba dịka GDP, ọnụego onu oriri, na ọnụ ahịa ngwaahịa.
2. Injinịa: E tinyere ya n'ọrụ na nhazi mgbaama, sistemụ njikwa, na nnwale ntụkwasị obi iji dabara ụdị na data e mere eme.
3. Ọgwụ: Na-enyere aka n'itinye usoro uto, usoro nzaghachi dose, na usoro ndị ọzọ dị ndụ na data nnwale.
4. Ọmụmụ Igwe: Ụdị nhazigharị ahịrị, nke na-ejikarị usoro Least Squares eme atụmatụ paramita, bụ isi ihe dị na usoro mmụta a na-elekọta.
5. Agụmakwụkwọ mbara igwe: Gauss ji akụkọ ihe mere eme mee ihe iji gbakọọ okirikiri nke ihe ndị dị n'eluigwe.
Ọdịiche na ndọtị
1. Akụkụ Ndị Kachasị Mma Dị Ibu: N'ọnọdụ ebe ihe a hụrụ nwere ọdịiche dị iche iche, Akụkụ Ndị Kachasị Mma Dị Ibu na-ekenye ibu na ebe data ọ bụla, na-ebelata mkpokọta nha nke akụkụ ndị ahụ.
2. Oghere Ndị Na-abụghị Ahịrị: Na-agbatị usoro ahụ ka ọ dabara na ụdị ndị na-abụghị ahịrị, ọtụtụ mgbe site na usoro ntụgharị dịka algọridim Gauss-Newton ma ọ bụ Levenberg-Marquardt.
3. Oghere Kachasị Nhazi (Nlaghachi Oke): Na-agbakwụnye okwu ntaramahụhụ na mkpokọta square iji gbochie itinye oke, ọkachasị bara uru mgbe a na-emeso multicollinearity.
4. Amaokwu ndị a na-ahụkarị: Nkọwa maka ihe ndị a hụrụ n'otu n'otu, na-agbatị usoro nke amaokwu ndị a na-ahụkarị iji jikwaa njehie ndị metụtara onwe ha na nke dị iche iche.
Ngwaọrụ kọmputa
Ngwaọrụ ngwanrọ dị iche iche na gburugburu mmemme na-enye ọrụ arụnyere n'ime ya maka ịrụ ọrụ kacha nta n'ime usoro nhazi:
1. Python: Ọbá akwụkwọ dịka NumPy na SciPy na-enye ọrụ `numpy.linalg.lstsq` na `scipy.optimize.curve_fit` maka nhazi nke obere squares linear na nke na-abụghị linear, n'otu n'otu.
2. R: Ọrụ dịka `lm()` maka ụdị ahịrị na `nls()` maka ụdị ahịrị na-abụghị ahịrị na gburugburu ọnụọgụgụ zuru oke nke R.
3. MATLAB: A na-eji ọrụ `lsqcurvefit` dị na MATLAB maka nhazi na-abụghị nke ahịrị, yana nkwado arụnyere n'ime ya maka ọrụ algebra linear.
-agaghị emeli
N'agbanyeghị na ọ bara uru nke ukwuu, usoro Least Squares nwere oke mgbochi:
1. Mmetụta nye ndị na-anaghị aghọta ihe: Least Squares na-enwe mmetụta dị ukwuu nye ndị na-anaghị aghọta ihe, ebe ọ bụ na okwu a na-akpọ squared na-eme ka mmetụta nke nnukwu ihe fọdụrụ dịkwuo elu.
2. Echiche nke Njikọta: Na-ewere mmekọrịta kwụ ọtọ n'etiti mgbanwe, nke nwere ike ọ gaghị abụ eziokwu maka data dị mgbagwoju anya.
3. Nsogbu Multicollinearity: Na ọtụtụ regression linear, multicollinearity dị n'etiti mgbanwe predictor nwere ike imebi atụmatụ nke coefficients.
4. Nha nhata nke mgbanwe (Nha nhata): Na-eche na mgbanwe nke okwu njehie na-adịgide adịgide n'ofe ihe a hụrụ, nke nwere ike ọ gaghị adị otú ahụ mgbe niile.
mmechi
Usoro Least Squares, n'agbanyeghị afọ ole ọ dị, ka bụ isi ihe dị mkpa na nyocha na nhazi data ọnụọgụgụ. Mfe ya, irè ya, na mgbanwe ya na ụdị dị iche iche, site na nlọghachi linear dị mfe ruo na ụdị dị mgbagwoju anya na-abụghị nke linear na nke zuru oke, na-eme ka ọ baa uru. Ịghọta ntọala mgbakọ na mwepụ ya, ngwa ya, na oke ya dị mkpa maka onye ọ bụla metụtara nyocha data, na-ahụ na etinyere usoro ahụ nke ọma iji nweta nghọta bara uru. Ma ọ bụ na agụmakwụkwọ ma ọ bụ ụlọ ọrụ mmepụta ihe, Usoro Least Squares ka bụ ngwaọrụ siri ike maka ịghọta mmekọrịta dị n'ime data na ime amụma amamihe.
