Fomba Kilasy Kely Indrindra: Famakafakana Feno
Ny fomba "Least Squares" dia iray amin'ireo teknika fototra indrindra amin'ny famakafakana statistika momba ny regression, izay mitana anjara toerana lehibe amin'ny fampifanarahana ny angona, ny modely ary ny famakafakana mialoha. Fomba matematika izay mampihena ny fitambaran'ny efamira amin'ny fahasamihafana misy eo amin'ny sanda hita sy ny sanda vinavinaina izy io. Amin'ny fanaovana izany, dia manome ny tsipika na fiolahana mifanaraka indrindra amin'ny andiana teboka angona iray. Ato amin'ity lahatsoratra ity, dia hojerentsika ny fototra, ny fampiharana, ny vokatra azo ary ny fetran'ny fomba "Least Squares".
Historical Background
Nampidirin'i Carl Friedrich Gauss voalohany tamin'ny taona 1795 teo amin'ny faha-18 taonany ny fomba fiasa "Least Squares", na dia tsy navoaka aza izany raha tsy tamin'ny taona 1809. Adrien-Marie Legendre, mpahay matematika malaza iray hafa, dia namorona sy namoaka fomba mitovy amin'izany tsy miankina tamin'ny taona 1805. Na teo aza izany, ny fanoratana sy fanitarana nataon'i Gauss ny fomba fiasa no nametraka ny fototra ho an'ny fampiasana maoderina.
Fondation Matematika
Amin'ny endriny tsotra indrindra, ny fomba "Least Squares Method" dia ampiasaina mba hampifanaraka modely lineary amin'ny andiana teboka angona. Raha omena andiana teboka angona `n` \((x_1, y_1), (x_2, y_2), …, (x_n, y_n)\, ny tanjona dia ny hahita tsipika \(y = mx + c\) izay mampihena ny fitambaran'ny efamira amin'ny elanelana mitsangana (residuals) eo anelanelan'ny soatoavina voamarika \(y_i\) sy ny soatoavina vinavinan'ny tsipika \(\hat{y}_i\).
Ara-matematika, ity tanjona ity dia azo aseho toy izao:
S = \sum_{i=1}^{n} (y_i – \hat{y}_i)^2 = \sum_{i=1}^{n} (y_i – (mx_i + c))^2
Ity fampitoviana ity dia maneho ny fitambaran'ny efamira amin'ny ambiny, \(S\), ary ny tanjonay dia ny hahita ny sandan'ny \(m\) (tehezan-kavoana) sy \(c\) (fifandimbiasana) izay mampihena ny \(S\).
Derivation
Mba hahitana ny sandan'ny \(m\) sy \(c\) izay mampihena ny fitambaran'ny efamira \(S\), dia raisintsika ny derivatives ampahany amin'ny \(S\) raha oharina amin'ny \(m\) sy \(c\) ary apetraho ho aotra izy ireo.
1. Teny nalaina ampahany raha oharina amin'ny \(m\):
\[ \frac{\partial S}{\partial m} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-x_i) = 0 \]
2. Teny nalaina ampahany raha oharina amin'ny \(c\):
\[ \frac{\partial S}{\partial c} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-1) = 0 \]
Ny famahana ireo fampitoviana miaraka ireo dia miteraka fampitoviana ara-dalàna:
\[ m = \frac{n(\sum x_i y_i) – (\sum x_i)(\sum y_i)}{n (\sum x_i^2) – (\sum x_i)^2} \]
\[ c = \frac{(\sum y_i)(\sum x_i^2) – (\sum x_i)(\sum x_i y_i)}{n(\sum x_i^2) – (\sum x_i)^2} \]
Ireo fampitoviana ireo dia manome antsika ny sandan'ny \(m\) sy \(c\) izay mampihena ny fitambaran'ny ambiny efamira.
Applications
Ny fomba fiasa Least Squares dia manana fampiharana midadasika amin'ny sehatra maro samihafa:
1. Toekarena sy Fitantanam-bola: Ampiasaina hamolavola sy haminavina ireo tondro ara-toekarena toy ny harin-karena faobe (PIB), ny tahan'ny fisondrotry ny vidim-piainana, ary ny vidin'ny tahiry.
2. Injeniera: Ampiasaina amin'ny fanodinana famantarana, rafitra fanaraha-maso, ary fitsapana fahatokisana mba hampifanarahana ny modely amin'ny angon-drakitra empirika.
3. Fitsaboana: Manampy amin'ny fampifanarahana ny fiolahana fitomboana, ny fiolahana valin'ny fatra, ary ny dingana biolojika hafa amin'ny angon-drakitra fanandramana.
4. Fianarana Milina: Ny modely regression linear, izay matetika mampiasa ny fomba Least Squares ho an'ny fanombanana ny masontsivana, dia fototra iorenan'ny teknika fianarana arahina.
5. Astronomia: Nampiasain'i Gauss ara-tantara hikajiana ny fihodinan'ny zavatra eny amin'ny lanitra.
Variations sy Extensions
1. Kuadra kely indrindra misy lanja: Raha toa ka misy fiovaovan'ny fandinihana samihafa, ny Kuadra kely indrindra misy lanja dia manome lanja ho an'ny teboka angon-drakitra tsirairay, ka mampihena ny fitambaran'ny lanja amin'ireo efamira.
2. Kilasy kely indrindra tsy lineary: Manitatra ny fomba fiasa mba hifanaraka amin'ny modely tsy lineary, matetika amin'ny alàlan'ny teknika miverimberina toy ny algorithm Gauss-Newton na Levenberg-Marquardt.
3. Kuadra kely indrindra voarindra (Ridge Regression): Manampy fe-potoana sazy amin'ny fitambaran'ny efamira mba hisorohana ny fihoaram-pefy, tena ilaina indrindra rehefa miatrika multicollinearity.
4. Kilasy kely indrindra ankapobeny: Mandinika ireo fandinihana mifandraika, manitatra ny fomba kilasy kely indrindra mba hiatrehana ny hadisoana autocorrelated sy heteroscedastic.
Fitaovana anaty kalitao
Ireo fitaovana rindrambaiko sy tontolo fandaharana isan-karazany dia manolotra fiasa efa tafiditra ao anatiny ho an'ny fanatanterahana ny regression least squares:
1. Python: Ny tranomboky toa ny NumPy sy SciPy dia manome fiasa `numpy.linalg.lstsq` sy `scipy.optimize.curve_fit` ho an'ny fampifanarahana ny efamira kely indrindra linear sy tsy linear.
2. R: Asa toy ny `lm()` ho an'ny modely linear sy `nls()` ho an'ny modely tsy linear ao amin'ny tontolo statistika feno an'ny R.
3. MATLAB: Ny asa `lsqcurvefit` ao amin'ny MATLAB dia ampiasaina amin'ny fampifanarahana tsy lineary, miaraka amin'ny fanohanana tafiditra ho an'ny asa algebra linear.
fetra
Na dia azo ampiharina amin'ny ankapobeny aza ny fomba fiasa Least Squares, dia manana fetrany ihany koa izy ireo:
1. Fahatsapana ho toy ny tsy mahazatra: Ny "Least Squares" dia tena mora tohina amin'ny "outliers", satria ny "squared term" dia mampitombo ny fiantraikan'ny "squared residuals" lehibe.
2. Fiheverana ny Linearity: Mihevitra fifandraisana lineary eo amin'ireo variables, izay mety tsy hitovy amin'ny an'ny datasets sarotra.
3. Olana amin'ny Multicollinearity: Ao amin'ny regression lineary marobe, ny multicollinearity eo amin'ireo variables predictor dia mety hanova ny tombana ny coefficients.
4. Fiovaovan'ny Fiovaovana (Homoscedasticity): Mihevitra fa tsy miova ny fiovaovan'ny teny diso amin'ny fandinihana rehetra, izay mety tsy ho izany foana no izy.
Famaranana
Na dia efa antitra aza ny fomba "Least Squares", dia mbola vato fehizoro amin'ny famakafakana sy modely angon-drakitra statistika ny fomba "Least Squares". Ny fahatsorany, ny fahombiazany ary ny fahafahany mifanaraka amin'ny endrika isan-karazany, manomboka amin'ny regression linear fototra ka hatramin'ny modely tsy lineary sy ankapobeny sarotra, dia mahatonga azy ho sarobidy. Ny fahatakarana ny fototra matematika, ny fampiharana azy ary ny fetrany dia tena ilaina ho an'izay rehetra mandray anjara amin'ny famakafakana angon-drakitra, mba hahazoana antoka fa ampiharina araka ny tokony ho izy ny fomba mba hahazoana hevi-baovao misy dikany. Na amin'ny akademia na amin'ny indostria, ny fomba "Least Squares" dia mbola fitaovana matanjaka ho an'ny fahatakarana ny fifandraisana ao anatin'ny angon-drakitra sy ny fanaovana vinavina voahevitra tsara.
