ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನ

ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನ: ಅಂದಾಜು ಮಾಡಲು ಗಣಿತದ ವಿಧಾನ

ಪೆಂಡಾಹುಲುವಾನ್

ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನವು ನಿಜವಾದ ಮೌಲ್ಯಗಳು ಮತ್ತು ಮಾದರಿಯಿಂದ ಊಹಿಸಲಾದ ಮೌಲ್ಯಗಳ ನಡುವಿನ ವರ್ಗ ದೋಷಗಳ ಮೊತ್ತವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಮೂಲಕ ಹಿಂಜರಿತ ಮಾದರಿಯಲ್ಲಿ ನಿಯತಾಂಕಗಳನ್ನು ಅಂದಾಜು ಮಾಡಲು ಬಳಸುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತಂತ್ರವಾಗಿದೆ. ಈ ವಿಧಾನವು ಬಹಳ ಜನಪ್ರಿಯವಾಗಿದೆ ಮತ್ತು ಅರ್ಥಶಾಸ್ತ್ರ, ಎಂಜಿನಿಯರಿಂಗ್, ಜೀವಶಾಸ್ತ್ರ ಮತ್ತು ಸಾಮಾಜಿಕ ವಿಜ್ಞಾನಗಳಂತಹ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಇದನ್ನು ಆಗಾಗ್ಗೆ ಬಳಸಲಾಗುತ್ತದೆ. ಕನಿಷ್ಠ ಚೌಕಗಳ ಪರಿಕಲ್ಪನೆಯನ್ನು ಮೊದಲು 19 ನೇ ಶತಮಾನದ ಆರಂಭದಲ್ಲಿ ಆಡ್ರಿಯನ್-ಮೇರಿ ಲೆಜೆಂಡ್ರೆ ಪ್ರಸ್ತಾಪಿಸಿದರು ಮತ್ತು ನಂತರ ಇದನ್ನು ಕಾರ್ಲ್ ಫ್ರೆಡ್ರಿಕ್ ಗೌಸ್ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದರು.

ಮೂಲಭೂತ ತಿಳುವಳಿಕೆ

ಸಾಮಾನ್ಯವಾಗಿ, ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನವು ಉಳಿಕೆಗಳ ವರ್ಗಗಳ ಮೊತ್ತ ಅಥವಾ ಭವಿಷ್ಯ ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಮೂಲಕ ಡೇಟಾ ಸೆಟ್‌ಗೆ ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವ ಹಿಂಜರಿತ ರೇಖೆಯನ್ನು ಕಂಡುಹಿಡಿಯುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ. ಉಳಿಕೆ ಎಂದರೆ ಗಮನಿಸಿದ ಮೌಲ್ಯ ಮತ್ತು ಊಹಿಸಿದ ಮೌಲ್ಯದ ನಡುವಿನ ವ್ಯತ್ಯಾಸ.

ನಾವು \((x_1, y_1), (x_2, y_2), …, (x_n, y_n)\) ಜೋಡಿ ವೀಕ್ಷಣೆಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಹೊಂದಿದ್ದರೆ, ನಮ್ಮ ಗುರಿ \(y = mx + b\) ರೇಖೆಯನ್ನು ಕಂಡುಹಿಡಿಯುವುದು, ಅದು ವರ್ಗ ದೋಷಗಳ ಮೊತ್ತವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ sum\( \sum_{i=1}^{n} (y_i – (mx_i + b))^2 \).

ಈ ವಿಧಾನವನ್ನು ಸರಳ ರೇಖೀಯ ಹಿಂಜರಿತ ಮತ್ತು ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತ ಎರಡಕ್ಕೂ ಅನ್ವಯಿಸಬಹುದು. ಸರಳ ರೇಖೀಯ ಹಿಂಜರಿತದಲ್ಲಿ, ನಮಗೆ ಕೇವಲ ಒಂದು ಸ್ವತಂತ್ರ ವೇರಿಯಬಲ್ (x) ಇರುತ್ತದೆ, ಆದರೆ ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತವು ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಸ್ವತಂತ್ರ ವೇರಿಯಬಲ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.

ಸರಳ ರೇಖೀಯ ಹಿಂಜರಿತ

ಸರಳ ರೇಖೀಯ ಹಿಂಜರಿತದಿಂದ ಪ್ರಾರಂಭಿಸೋಣ. ನಮ್ಮಲ್ಲಿ \((x_1, y_1), (x_2, y_2), …, (x_n, y_n)) ಎಂಬ ಡೇಟಾ ಸೆಟ್ ಇದೆ ಎಂದು ಭಾವಿಸೋಣ. ನಾವು ಹೊಂದಿಸಲು ಬಯಸುವ ಸರಳ ರೇಖೀಯ ಹಿಂಜರಿತ ಮಾದರಿ:

\[ y = mx + b + \ಎಪ್ಸಿಲಾನ್ \]

ಇಲ್ಲಿ \( m \) ಇಳಿಜಾರು, \( b \) ಅಂತಃಛೇದ, ಮತ್ತು \( \epsilon \) ಯಾದೃಚ್ಛಿಕ ದೋಷ.

ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು, ವರ್ಗ ದೋಷ ಕಾರ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಮೂಲಕ ನಾವು \( m \) ಮತ್ತು \( b \) ನಿಯತಾಂಕಗಳ ಅಂದಾಜುಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು:

\[ S(m, b) = \sum_{i=1}^{n} (y_i – (mx_i + b))^2 \]

\( S(m, b) \) ಅನ್ನು ಕಡಿಮೆ ಮಾಡಲು, ನಾವು \( m \) ಮತ್ತು \( b \) ಗೆ ಸಂಬಂಧಿಸಿದಂತೆ \( S \) ನ ಭಾಗಶಃ ಉತ್ಪನ್ನಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತೇವೆ ಮತ್ತು ನಂತರ \( m \) ಮತ್ತು \( b \) ಗಾಗಿ ಈ ಸಮೀಕರಣವನ್ನು ಪರಿಹರಿಸುತ್ತೇವೆ:

\[ \ಪ್ರಾರಂಭ{ಜೋಡಿಸಲಾಗಿದೆ}
\frac{\ಭಾಗಶಃ S}{\ಭಾಗಶಃ m} &= -2 \sum_{i=1}^{n} x_i (y_i – (mx_i + b)) = 0 \\
\frac{\ಭಾಗಶಃ S}{\ಭಾಗಶಃ b} &= -2 \sum_{i=1}^{n} (y_i – (mx_i + b)) = 0
\ಅಂತ್ಯ{ಜೋಡಿಸಲಾಗಿದೆ} \]

ಸರಳೀಕರಣದ ನಂತರ, ನಾವು ಈ ಕೆಳಗಿನ ಎರಡು ಸಾಮಾನ್ಯ ಸಮೀಕರಣಗಳನ್ನು ಪಡೆಯುತ್ತೇವೆ:

\[ \ಪ್ರಾರಂಭ{ಜೋಡಿಸಲಾಗಿದೆ}
n\bar{y} &= m \sum_{i=1}^{n} x_i + nb \\
\sum_{i=1}^{n}x_i y_i &= m \sum_{i=1}^{n}x_i^2 + b \sum_{i=1}^{n}x_i
\ಅಂತ್ಯ{ಜೋಡಿಸಲಾಗಿದೆ} \]

ಮೇಲಿನ ಸಮೀಕರಣಗಳ ವ್ಯವಸ್ಥೆಯನ್ನು ಪರಿಹರಿಸುವ ಮೂಲಕ, ವರ್ಗ ದೋಷವನ್ನು ಕಡಿಮೆ ಮಾಡುವ \( m \) ಮತ್ತು \( b \) ಮೌಲ್ಯಗಳನ್ನು ನಾವು ಕಂಡುಹಿಡಿಯಬಹುದು.

ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತ

ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತದಲ್ಲಿ, ನಾವು ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಸ್ವತಂತ್ರ ವೇರಿಯೇಬಲ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ಪರಿಸ್ಥಿತಿಯನ್ನು ಎದುರಿಸುತ್ತೇವೆ. ನಮ್ಮಲ್ಲಿ ಟ್ಯೂಪಲ್ ರೂಪದಲ್ಲಿ ಡೇಟಾ ಇದೆ ಎಂದು ಭಾವಿಸೋಣ \((x_{i1}, x_{i2}, …, x_{ik}, y_i)\). ನಾವು ಬಳಸುವ ಹಿಂಜರಿತ ಮಾದರಿ:

\[ y = b_0 + b_1 x_1 + b_2 x_2 + … + b_k x_k + \ಎಪ್ಸಿಲಾನ್ \]

ಈ ಸಮೀಕರಣವನ್ನು ಮ್ಯಾಟ್ರಿಕ್ಸ್ ರೂಪದಲ್ಲಿ ಹೀಗೆ ಬರೆಯಬಹುದು:

\[ \mathbf{y} = \mathbf{X} \mathbf{b} + \mathbf{\epsilon} \]

ಎಲ್ಲಿ:
– \( \mathbf{y} \) ಎಂಬುದು ಗಮನಿಸಿದ y ಮೌಲ್ಯಗಳ ಕಾಲಮ್ ವೆಕ್ಟರ್ ಆಗಿದೆ.
– \( \mathbf{X} \) ಎಂಬುದು ಗಮನಿಸಿದ x ಮೌಲ್ಯಗಳ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಆಗಿದೆ (ಇಂಟರ್ಸೆಪ್ಟ್‌ಗಾಗಿ ಕಾಲಮ್ 1 ಸೇರಿದಂತೆ).
– \( \mathbf{b} \) ಎಂಬುದು ನಿಯತಾಂಕಗಳ (\( b_0 \) ಸೇರಿದಂತೆ) ಕಾಲಮ್ ವೆಕ್ಟರ್ ಆಗಿದೆ.

ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನದ ಗುರಿ ಈ ಕೆಳಗಿನ ವರ್ಗ ದೋಷ ಕಾರ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು:

\[ S(\mathbf{b}) = (\mathbf{y} – \mathbf{Xb})^T (\mathbf{y} – \mathbf{Xb}) \]

ಈ ಕಾರ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡಲು, ನಾವು \( \mathbf{b} \) ಗೆ ಸಂಬಂಧಿಸಿದಂತೆ S ನ ಭಾಗಶಃ ವ್ಯುತ್ಪನ್ನವನ್ನು ತೆಗೆದುಕೊಂಡು ಅದನ್ನು ಶೂನ್ಯಕ್ಕೆ ಹೊಂದಿಸುತ್ತೇವೆ. ಇದು ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತಕ್ಕೆ ಸಾಮಾನ್ಯ ಸಮೀಕರಣವನ್ನು ನೀಡುತ್ತದೆ:

\[ \mathbf{X}^T \mathbf{Xb} = \mathbf{X}^T \mathbf{y} \]

ಮೇಲಿನ ಸಮೀಕರಣಗಳ ವ್ಯವಸ್ಥೆಯನ್ನು ಪರಿಹರಿಸುವ ಮೂಲಕ, ನಾವು \( \mathbf{b} \) ನಿಯತಾಂಕದ ಅಂದಾಜನ್ನು ಪಡೆಯಬಹುದು:

\[ \mathbf{b} = (\mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \mathbf{y} \]

ಅನುಕೂಲಗಳು ಮತ್ತು ಮಿತಿಗಳು

ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನವು ಹಲವು ಪ್ರಯೋಜನಗಳನ್ನು ಹೊಂದಿದೆ. ಇದು ಬಳಸಲು ತುಂಬಾ ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ಸರಳ ವಿಧಾನವಾಗಿದೆ. \( \mathbf{X}^T \mathbf{X} \) ತಲೆಕೆಳಗಾಗಿದ್ದರೆ ಅದು ಒಂದು ವಿಶಿಷ್ಟ ಪರಿಹಾರವನ್ನು ನೀಡುತ್ತದೆ, ಇದು ಅನೇಕ ಪ್ರಾಯೋಗಿಕ ಅನ್ವಯಿಕೆಗಳಿಗೆ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿಸುತ್ತದೆ.

ಆದಾಗ್ಯೂ, ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನವು ಮಿತಿಗಳನ್ನು ಹೊಂದಿದೆ. ಇದು ಹೊರಗಿನವುಗಳಿಗೆ ಬಹಳ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ ಏಕೆಂದರೆ ವರ್ಗ ದೋಷವು ಸಣ್ಣ ವ್ಯತ್ಯಾಸಗಳಿಗಿಂತ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಒತ್ತಿಹೇಳುತ್ತದೆ. ಇದಲ್ಲದೆ, ದೋಷಗಳು ಶೂನ್ಯ ಸರಾಸರಿ ಮತ್ತು ಸ್ಥಿರ ವ್ಯತ್ಯಾಸದೊಂದಿಗೆ ಸಾಮಾನ್ಯ ವಿತರಣೆಯನ್ನು ಹೊಂದಿವೆ ಎಂಬ ಶಾಸ್ತ್ರೀಯ ಊಹೆಯನ್ನು ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗಾಗಿ ಪೂರೈಸಬೇಕು.

ಪ್ರಾಯೋಗಿಕ ಅನ್ವಯಿಕೆಗಳು

ಡೇಟಾ ಟ್ರೆಂಡ್ ವಿಶ್ಲೇಷಣೆ, ಮುನ್ಸೂಚನೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಮುನ್ಸೂಚಕ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನವನ್ನು ಆಗಾಗ್ಗೆ ಬಳಸಲಾಗುತ್ತದೆ. ಹಣಕಾಸು ಉದ್ಯಮದಲ್ಲಿ, ಷೇರು ಬೆಲೆಗಳು ಅಥವಾ ಮಾರುಕಟ್ಟೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಊಹಿಸಲು ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ವೈದ್ಯಕೀಯದಲ್ಲಿ, ಔಷಧದ ಡೋಸೇಜ್ ಮತ್ತು ರೋಗಿಯ ಪ್ರತಿಕ್ರಿಯೆಯ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಮಾದರಿ ಮಾಡಲು ಇದನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಸಮಾಜ ವಿಜ್ಞಾನಗಳಲ್ಲಿ, ಶಿಕ್ಷಣ ಮತ್ತು ಆದಾಯದಂತಹ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಇದು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ತೀರ್ಮಾನ

ಅಂಕಿಅಂಶಗಳು ಮತ್ತು ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನವು ಮೂಲಭೂತ ತಂತ್ರಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಪರಿಕಲ್ಪನೆಯಲ್ಲಿ ಸರಳವಾಗಿದ್ದರೂ, ಈ ವಿಧಾನವು ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ಮಾಡೆಲಿಂಗ್ ಮತ್ತು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಲ್ಲಿ ಗಮನಾರ್ಹ ಶಕ್ತಿಯನ್ನು ನೀಡುತ್ತದೆ. ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ವ್ಯಾಪಕವಾದ ಅನ್ವಯಿಕೆಗಳೊಂದಿಗೆ, ಈ ವಿಧಾನದ ಘನ ತಿಳುವಳಿಕೆಯು ವೃತ್ತಿಪರರು ಮತ್ತು ಸಂಶೋಧಕರಿಗೆ ಸಮಾನವಾಗಿ ಅಮೂಲ್ಯವಾಗಿದೆ. ಮುಂದೆ ಹೋಗುವಾಗ, ದೊಡ್ಡ ದತ್ತಾಂಶ ಯುಗದಲ್ಲಿ ಹೆಚ್ಚುತ್ತಿರುವ ದತ್ತಾಂಶದ ಪ್ರಮಾಣದೊಂದಿಗೆ, ಕನಿಷ್ಠ ಚೌಕಗಳಂತಹ ಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳ ರೂಪಾಂತರ ಮತ್ತು ಅನ್ವಯವು ಹೆಚ್ಚು ಪ್ರಸ್ತುತವಾಗುತ್ತದೆ.