Шугаман бус регрессийн арга
Регресс нь статистик болон өгөгдлийн шинжлэх ухаанд бие даасан хувьсагч (урьдчилан таамаглагч) ба хамааралтай хувьсагч (хариу үйлдэл)-ийн хоорондын хамаарлыг загварчлах хамгийн түгээмэл аргуудын нэг юм. Олон тохиолдолд энэ хамаарлыг шулуун шугамаар ойролцоолж болох тул шугаман регрессийг хангалттай болгодог. Гэсэн хэдий ч бодит ертөнцөд хувьсагчдын хоорондын хамаарал нь шугаман хэв маягийг үүсгэдэггүй. Хүн амын өсөлт, эмийн нөхөн сэргээлтийн түвшин, эрэлтийн муруй, материалын доройтол, тэр ч байтугай тодорхой тунгийн биологийн хариу урвал нь ихэвчлэн муруй, асимптотик эсвэл экспоненциал хэв маягийг харуулдаг. Ийм нөхцөлд шугаман бус регрессийн аргууд нь илүү тохиромжтой арга юм, учир нь тэдгээр нь хамаарлын илүү нарийн төвөгтэй шинж чанарыг тусгаж чаддаг.
Шугаман бус регрессийг ойлгох нь
Шугаман бус регресс гэдэг нь тооцоолж буй параметрүүдтэй холбоотой шугаман бус функцийг ашиглан урьдчилан таамаглагч болон хариу үйлдэл үзүүлэх хувьсагчдын хоорондын хамаарлыг тодорхойлдог загварчлалын арга юм. Параметрүүд нь шугаман байдаг (жишээ нь, (y = beta_0 + beta_1 x)) шугаман бус регрессээс ялгаатай нь шугаман бус регресс нь параметрүүд нь шугаман бус байдлаар оролцдог загвартай байдаг, жишээлбэл:
\[
y = \alpha e^{\beta x}
\]
Энэ загварт \(\бета\) параметр нь экспонент дотор байрладаг тул үүнийг ердийн шугаман загвар гэж үзэх боломжгүй. Гэсэн хэдий ч гол зорилго нь хэвээр байна: загварын таамагласан утга болон бодит өгөгдлийн хоорондох зөрүүг хамгийн бага байлгах параметрүүдийг олох, ихэвчлэн хамгийн бага квадратын аргыг ашиглах.
Шугаман бус регресс хэзээ хэрэгтэй вэ?
Шугаман бус регрессийг дараах тохиолдолд ашигладаг.
1. Хээ нь тодорхой муруй бөгөөд шулуун шугам эсвэл энгийн хувиргалтаар тайлбарлах боломжгүй.
2. Дээд/доод хязгаар байдаг (жишээ нь, өсөлтийн хурд хамгийн их хүчин чадалд ойртох).
3. Энэ үйл явц нь цацраг идэвхт задрал, химийн урвалын кинетик эсвэл тунгийн хариу урвалын муруй зэрэг тодорхой байгалийн хуулиудыг дагадаг.
4. Онолын загварууд аль хэдийн мэдэгдэж байгаа, жишээлбэл, логистик, Гомперц, Михаэлис-Ментен эсвэл Вейбулл загварууд.
Жишээлбэл, биохимийн салбарт Михаэлис-Ментений загварыг субстратын концентраци ба ферментийн урвалын хурдны хоорондын хамаарлыг тодорхойлоход ихэвчлэн ашигладаг. Энэ загвар нь шугаман бус бөгөөд шугаман загварыг ногдуулахаас илүү шинжлэх ухааны ач холбогдолтой юм.
Шугаман бус регрессийн загваруудын нийтлэг хэлбэрүүд
Шугаман бус функцүүдийн байнга ашиглагддаг зарим хэлбэрүүд нь:
1. Экспоненциал загвар
Хурдан өсөлт/бууралтад тохиромжтой:
\[
y = \alpha e^{\beta x}
\]
2. Логистикийн загвар
Хүчин чадавхи хязгаарлагдмал хүн амын өсөлтөд ихэвчлэн ашиглагддаг:
\[
y = \frac{L}{1 + e^{-k(x-x_0)}}
\]
энд \(L\) нь хамгийн их хязгаар юм.
3. Гомперц загвар
Биологи ба организмын өсөлт хөгжилтөд түгээмэл байдаг:
\[
y = L \exp(-e^{-k(x-x_0)})
\]
4. Хүчний загвар (зэрэглэл)
Эдийн засаг, инженерчлэлийн салбарт өргөн хэрэглэгддэг:
\[
y = \alpha x^\beta
\]
5. Михаэлис-Ментен загвар
Ферментологийн чиглэлээр:
\[
y = \frac{V_{max} x}{K_m + x}
\]
6. Олон гишүүнт загвар
Математикийн хувьд олон гишүүнтийг параметрүүдийн хувьд шугаман гэж үзэж болох боловч муруйлтыг дүрслэхэд ихэвчлэн ашиглагддаг:
\[
y = \beta_0 + \beta_1 x + \beta_2 x^2
\]
Муруй хэлбэртэй хэдий ч энэ загварыг параметрүүдийн хувьд шугаман регрессийн загвар гэж үздэг. Гэсэн хэдий ч практикт муруй үүсгэдэг тул үүнийг ихэвчлэн "шугаман бус хувилбар" болгон ашигладаг.
Параметрийн тооцоолол: Гол бэрхшээл
Шугаман бус регресс ба шугаман бус регрессийн хоорондох хамгийн том ялгаа нь параметрийн тооцооллын аргад оршино. Шугаман регрессийн үед параметрийн тооцооллыг матрицын томъёо (хаалттай хэлбэрийн шийдэл) ашиглан шууд гаргаж авч болно. Шугаман бус регрессийн үед ерөнхийдөө энгийн аналитик шийдэл байдаггүй тул давталтын аргууд шаардлагатай байдаг.
Түгээмэл хэрэглэгддэг тооцооллын арга бол Шугаман бус хамгийн бага квадратууд (NLS) бөгөөд энэ нь дараах параметрүүдийг хамгийн бага байлгахыг олох явдал юм:
\[
SSE = \sum_{i=1}^{n} (y_i – f(x_i, \theta))^2
\]
энд \(\theta\) нь параметрийн вектор юм. Минимумчлах процессыг давталтын алгоритм ашиглан гүйцэтгэнэ, жишээлбэл:
– Гаусс-Ньютон
– Левенберг–Марквардт
– Градиент уналт
– Ньютон–Рафсон
Эдгээр алгоритмуудын дунд Левенберг-Марквардт нь харьцангуй тогтвортой байдаг тул маш их алдартай: энэ нь Гаусс-Ньютоны хурдыг градиент дээр суурилсан хандлагын тогтвортой байдалтай хослуулсан.
Анхны таамаглалын үүрэг
Шугаман бус регрессийн нэг чухал тал бол анхны параметрийн таамаглалын хэрэгцээ юм. Давталтын алгоритм нь параметрүүдийг эхлэх цэгээс оновчтой утга руу шинэчлэх болно. Хэрэв анхны утга нь шийдлээс хэт хол байвал процесс дараахь зүйлийг хийж чадна.
- нэгдэж чадаагүй,
– орон нутгийн хамгийн бага хэмжээнд гацсан,
- үндэслэлгүй тооцоо гаргах.
Тиймээс тухайн салбарын мэдлэг маш их тустай байдаг. Заримдаа анхны утгуудыг өгөгдлийн графикаас , уран зохиолоос эсвэл түр зуурын шугаман хувиргалтаар параметрүүдийг ойролцоолох замаар олж авч болно.
Загварын чанарын үнэлгээ
Загварыг гаргасны дараа дараагийн алхам бол түүний тохиромжтой байдал болон хэрэглээг үнэлэх явдал юм. Зарим үнэлгээний аргуудад дараахь зүйлс орно.
1. Үлдэгдэл шинжилгээ
Үлдэгдэл гэдэг нь бодит болон таамагласан өгөгдлийн зөрүү юм. Сайн үлдэгдэл нь санамсаргүй байх хандлагатай бөгөөд ямар нэгэн тодорхой хэв маяг үүсгэдэггүй. Хэрэв үлдэгдэл нь системчилсэн хэв маягийг үүсгэдэг бол загварыг буруу тодорхойлсон байж магадгүй юм.
2. Тодорхойлолтын коэффициент (R²)
R²-г ашиглаж болох боловч шугаман бус загварт үүнийг тайлбарлах нь шугаман регресс шиг үргэлж тодорхой байдаггүй тул болгоомжтой байхыг шаарддаг.
3. AIC болон BIC
Акайке мэдээллийн шалгуур (AIC) болон Байесийн мэдээллийн шалгуур (BIC) зэрэг мэдээллийн шалгуурууд нь нарийн төвөгтэй байдлыг харгалзан олон загварыг харьцуулахад тусалдаг.
4. Хөндлөн баталгаажуулалт
Загварын ерөнхийлөн дүгнэх чадварыг хэмжихийн тулд өгөгдлийг сургалтын болон туршилтын өгөгдөл гэж хуваадаг. Энэ нь загвар нь сургалтын өгөгдөлд зүгээр л "тохирохгүй" байхын тулд чухал юм.
Шугаман бус регрессийн давуу болон сул талууд
Илүүдэл:
– Бодит үзэгдлийг загварчлахад илүү уян хатан.
– Үйл явцын үндэс суурь болсон шинжлэх ухааны онолыг дагаж мөрдөж чадна.
– Асимптотик, экспоненциал, ханалт эсвэл хязгаарлагдмал өсөлтийн хэв маягийг дүрслэх чадвартай.
Дутмаг:
– Илүү олон давталт болон тооцоолол шаарддаг.
– Параметрийн анхны утгаас ихээхэн хамаарна.
– Хэрэв загвар хэтэрхий төвөгтэй бол хэт тохируулга хийх эрсдэлтэй.
– Хэрэв загварыг зөвхөн сонгосон бол параметрийн тайлбар нь заримдаа илүү хэцүү байдаг өгөгдлийн тохирол дээр үндэслэсэн, онол биш.
Төрөл бүрийн салбарт хэрэглээний жишээнүүд
1. Эрүүл мэнд ба эм зүй: тун ба эмийн хамаарлыг биеийн хариу урвалтай загварчлах, үүнд ханалт эсвэл логистик муруй орно.
2. Экологи: хүрээлэн буй орчны даацын хязгаарын доторх хүн амын өсөлт.
3. Инженерчлэл: шугаман бус материал дахь стресс-деформацийн хамаарал.
4. Эдийн засаг: эрэлт буюу үйлдвэрлэлийн функцууд нь ихэвчлэн зэрэг буюу логарифмын хэлбэрээр байдаг.
5. Хими: урвалын кинетик, задрал ба адсорбцийн процессууд.
Хаах
Хувьсагчдын хоорондын хамаарлыг шулуун шугамаар тайлбарлах боломжгүй үед шугаман бус регрессийн аргууд нь зайлшгүй шаардлагатай хэрэгсэл юм. Онол болон өгөгдлийн судалгаанд үндэслэн тохирох загварын хэлбэрийг сонгож, зохих тооцооллын алгоритмыг ашигласнаар шугаман бус регресс нь нарийн төвөгтэй үзэгдлийн талаар илүү нарийвчлалтай ойлголт өгөх боломжтой. Анхны утгуудын хэрэгцээ, нэгдлийн эрсдэл зэрэг бэрхшээлүүд байгаа хэдий ч энэ арга нь олон салбарын хувьд маш ашигтай байдаг. Эцсийн эцэст шугаман бус регрессийн амжилт нь зөвхөн алгоритмын нарийн төвөгтэй байдлаас гадна зөв загвар сонгох, сайтар үнэлэх, асуудлын нөхцөл байдалд нийцсэн тайлбараас хамаарна.
