Rêbaza Kêmtirîn Çargoşeyan: Analîzek Berfireh
Rêbaza Kêmtirîn Çargoşeyan yek ji teknîkên herî bingehîn di analîza regresyona îstatîstîkî de ye, ku roleke girîng di guncandina daneyan, modelkirin û analîza pêşbînîkirinê de dilîze. Ew rêbazek matematîkî ye ku berhevoka çargoşeyên cûdahiyên di navbera nirxên çavdêrîkirî û pêşbînîkirî de kêm dike. Bi vê yekê, ew xêz an xêza herî guncaw ji bo komek xalên daneyê peyda dike. Di vê gotarê de, em ê bingeh, serîlêdan, derxistin û sînorkirinên Rêbaza Kêmtirîn Çargoşeyan bikolin.
Pirtûka dîrokî
Rêbaza Kêmtirîn Çargoşeyan cara yekem ji hêla Carl Friedrich Gauss ve di sala 1795an de di temenê 18 saliya xwe de hate destnîşan kirin, her çend ew heta sala 1809an nehatibû weşandin. Adrien-Marie Legendre, matematîkzanek din ê navdar, bi awayekî serbixwe rêbazek wekhev di sala 1805an de pêşxist û weşand. Li gel vê yekê, nîşankirin û berfirehkirina rêbazê ji hêla Gauss ve bingeha karanîna nûjen danî.
Weqfa Mathematical
Di şêweya xwe ya herî hêsan de, Rêbaza Kêmtirîn Çargoşeyan ji bo bicihkirina modelek xêzikî li komek xalên daneyan tê bikar anîn. Dema ku komek xalên daneya `n` \((x_1, y_1), (x_2, y_2), …, (x_n, y_n)\) were dayîn, armanc ew e ku xêzek \(y = mx + c\) were dîtin ku berhevoka çargoşeyên dûrên vertîkal (mayî) di navbera nirxên çavdêrîkirî \(y_i\) û nirxên ku ji hêla xêza \(\hat{y}_i\) ve hatine pêşbînîkirin kêm bike.
Bi awayekî matematîkî, ev armanc dikare wiha were temsîlkirin:
\[ S = \sum_{i=1}^{n} (y_i – \hat{y}_i)^2 = \sum_{i=1}^{n} (y_i – (mx_i + c))^2 \]
Ev hevkêşe berhevoka çargoşeyên bermayiyan, \(S\), temsîl dike, û armanca me ew e ku nirxên \(m\) (meyla) û \(c\) (birrîn) bibînin ku \(S\) kêm bikin.
Derkirin
Ji bo dîtina nirxên \(m\) û \(c\) yên ku berhevoka çargoşeyên \(S\) kêm dikin, em derivatîfên qismî yên \(S\) li gorî \(m\) û \(c\) digirin û wan dikin sifir.
1. Derivatîfa Qismî li gorî \(m\):
\[ \frac{\partial S}{\partial m} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-x_i) = 0 \]
2. Derivatîfa Qismî li gorî \(c\):
\[ \frac{\partial S}{\partial c} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-1) = 0 \]
Çareserkirina van hevkêşeyên hevdem dibe sedema hevkêşeyên normal:
\[ m = \frac{n(\sum x_i y_i) – (\sum x_i)(\sum y_i)}{n (\sum x_i^2) – (\sum x_i)^2} \]
\[ c = \frac{(\sum y_i)(\sum x_i^2) – (\sum x_i)(\sum x_i y_i)}{n(\sum x_i^2) – (\sum x_i)^2} \]
Ev hevkêşe nirxên \(m\) û \(c\) didin me ku berhevoka bermayiyên çargoşeyî kêm dikin.
Applications
Rêbaza Kêmtirîn Çargoşeyan li gelek waran de gelek sepandinên wê hene:
1. Aborî û Darayî: Ji bo modelkirin û pêşbînîkirina nîşaneyên aborî yên wekî GDP, rêjeyên enflasyonê û bihayên senedan tê bikaranîn.
2. Endezyarî: Di pêvajoya sînyalan, pergalên kontrolê, û ceribandina pêbaweriyê de tê sepandin da ku modelan li gorî daneyên empîrîk biguncîne.
3. Tib: Di lihevhatina xêzên mezinbûnê, xêzên doz-bersivê, û pêvajoyên din ên biyolojîkî de li gorî daneyên ceribandinê dibe alîkar.
4. Fêrbûna Makîneyê: Modelên regresyona xêzikî, ku pir caran Rêbaza Kêmtirîn Çargoşeyan ji bo texmîna parametreyan bikar tînin, di teknîkên fêrbûna çavdêrîkirî de bingehîn in.
5. Astronomî: Di dîrokê de ji hêla Gauss ve ji bo hesabkirina rêgehên laşên ezmanî hatiye bikar anîn.
Variations û Extensions
1. Kêmtirîn Çargoşeyên Girankirî: Di rewşên ku çavdêrî guhertoyên cûda hene, Kêmtirîn Çargoşeyên Girankirî giraniyê dide her xala daneyê, û bi vî awayî berhevoka girankirî ya çargoşeyan kêm dike.
2. Kêmtirîn Çargoşeyên Ne-xêzik: Rêbazê berfireh dike da ku li modelên ne-xêzik bicîh bibe, pir caran bi rêya teknîkên dubarekirî yên wekî algorîtmayên Gauss-Newton an Levenberg-Marquardt.
3. Kêmtirîn Çargoşeyên Rêkûpêkkirî (Regresyona Ridge): Ji bo pêşîgirtina li zêdelihevkirinê, termek cezayê li berhevoka çargoşeyan zêde dike, bi taybetî dema ku bi pirkolinearîteyê re mijûl dibe kêrhatî ye.
4. Kêmtirîn Çargoşeyên Giştîkirî: Çavdêriyên têkildar digire ber çavan, rêbaza kêmtirîn çargoşeyan berfireh dike da ku xeletiyên otokorrelasyon û heteroscedastîk çareser bike.
Amûrên bihevhatî
Amûrên nermalavê û jîngehên bernamesaziyê yên cûrbecûr fonksiyonên çêkirî pêşkêş dikin ji bo pêkanîna regresyona kêmtirîn çargoşeyan:
1. Python: Pirtûkxaneyên wekî NumPy û SciPy fonksiyonên `numpy.linalg.lstsq` û `scipy.optimize.curve_fit` ji bo bicîhkirina kêmtirîn çargoşeyên xêzik û ne-xêzik peyda dikin.
2. R: Fonksiyonên wekî `lm()` ji bo modelên xêzik û `nls()` ji bo modelên ne-xêzik di hawîrdora îstatîstîkî ya berfireh a R-ê de.
3. MATLAB: Fonksiyona `lsqcurvefit` di MATLAB de ji bo guncandina ne-xêzik tê bikar anîn, digel piştgiriya çêkirî ji bo operasyonên cebrê yên xêzik.
tengasîyên
Tevî sepandina wê ya berfireh, Metoda Kêmtirîn Çargoşeyan xwedî sînorkirinên wê ne:
1. Hesasiyeta li hember nirxên derveyî: Rêbaza Kêmtirîn Çargoşeyan li hember nirxên derveyî pir hesas e, ji ber ku terma çargoşeyî bandora bermayiyên mezin zêde dike.
2. Pêşbînîkirina Xêzikbûnê: Têkiliyeke xêzik di navbera guhêrbaran de pêşbînî dike, ku dibe ku ji bo setên daneyên tevlihev rast nebe.
3. Pirsgirêkên Piralîbûna Xêzî: Di regresyona xêzî ya piralî de, piralîbûna di navbera guhêrbarên pêşbînîker de dikare texmîna katsayiyan xirab bike.
4. Homojenîteya Cûdahiyê (Homoscedasticity): Difikire ku guherîna şertên çewtiyê li seranserê çavdêriyan sabît e, ku dibe ku her gav ne wusa be.
Xelasî
Rêbaza Kêmtirîn Çargoşeyan, tevî temenê xwe yê dirêj, di analîz û modelkirina daneyên îstatîstîkî de kevirê bingehîn dimîne. Sadebûn, bandorbûn û şiyana wê ya adapteyî ji bo formên cûrbecûr, ji regresyona xêzikî ya bingehîn bigire heya modelên tevlihev ên ne-xêzikî û giştî, wê dike bêqîmet. Fêmkirina bingeh, sepandin û sînorkirinên wê yên matematîkî ji bo her kesê ku di analîza daneyan de beşdar dibe girîng e, û piştrast dike ku rêbaz bi rengek guncaw tê sepandin da ku têgihiştinên watedar derxîne holê. Çi di akademiyê de be çi di pîşesaziyê de be, Rêbaza Kêmtirîn Çargoşeyan hîn jî amûrek bihêz e ji bo têgihîştina têkiliyên di nav daneyan de û çêkirina pêşbîniyên agahdar.
