सबैभन्दा कम वर्ग विधि

न्यूनतम वर्ग विधि: डेटा विश्लेषणमा परिचय र प्रयोग

पेन्डाहुलुआन

न्यूनतम वर्ग विधि डेटा विश्लेषणमा, विशेष गरी तथ्याङ्क र व्यावहारिक गणितमा सबैभन्दा आधारभूत र व्यापक रूपमा प्रयोग हुने प्रविधिहरू मध्ये एक हो। यो विधिले प्रस्तावित मोडेलबाट अवलोकन गरिएका विचलनहरूको वर्गहरूको योगफललाई न्यूनतम गर्ने प्यारामिटरहरू अनुमान गर्ने लक्ष्य राख्छ। यस लेखमा, हामी न्यूनतम वर्ग विधिको आधारभूत अवधारणाहरू, विभिन्न क्षेत्रहरूमा यसको प्रयोगहरू, र यसलाई कार्यान्वयन गर्नका लागि व्यावहारिक चरणहरूको अन्वेषण गर्नेछौं।

सबैभन्दा कम वर्ग विधिको आधारभूत अवधारणाहरू

सबैभन्दा कम वर्ग विधिलाई रेखीय प्रतिगमन मार्फत सरल रूपमा व्याख्या गर्न सकिन्छ। मानौं हामीसँग जोडी \((x_i, y_i)\) को रूपमा डेटा छ जहाँ \( i = 1, 2, …, n \)। हामीले निर्माण गर्न चाहेको रेखीय मोडेललाई यसरी व्यक्त गर्न सकिन्छ:
\[ y = \beta_0 + \beta_1 x + \epsilon \]
जहाँ \( \beta_0 \) र \( \beta_1 \) हामीले अनुमान गर्न चाहेका प्यारामिटरहरू हुन्, जबकि \( \epsilon \) त्रुटि वा अवशिष्ट हो जसको औसत शून्य हुने अपेक्षा गरिएको छ।

न्यूनतम वर्ग विधिको लक्ष्य निम्न वस्तुगत कार्यलाई न्यूनतम गर्नु हो:
\[ S(\beta_0, \beta_1) = \योग_{i=1}^{n} (y_i – \beta_0 – \beta_1 x_i)^2 \]

इष्टतम प्यारामिटरहरू फेला पार्ने: एक गणितीय दृष्टिकोण

वस्तुनिष्ठ प्रकार्य \( S \) लाई न्यूनतम गर्ने प्यारामिटर मानहरू फेला पार्न, हामीले \( \beta_0 \) र \( \beta_1 \) को सम्बन्धमा \( S \) को आंशिक डेरिभेटिभहरू गणना गर्नुपर्छ, र त्यसपछि निम्न समीकरण समाधान गर्नुपर्छ:

\[ \frac{\आंशिक S}{\आंशिक \beta_0} = -२ \योग_{i=1}^n (y_i – \beta_0 – \beta_1 x_i) = ० \]
\[ \frac{\आंशिक S}{\आंशिक \beta_1} = -2 \योग_{i=1}^n x_i (y_i – \beta_0 – \beta_1 x_i) = ० \]

रेखीय समीकरणहरूको यो प्रणाली समाधान गरेर, हामी अनुमानकहरू \(\hat{\beta_0}\) र \(\hat{\beta_1}\) फेला पार्न सक्छौं:
\[ \टोपी{\बीटा_1} = \फ्राक{n \योगफल_{i=1}^n x_i y_i – \योगफल_{i=1}^n x_i \योगफल_{i=1}^n y_i}{n \योगफल_{i=1}^n x_i^2 – (\योगफल_{i=1}^n x_i)^2} \]
\[ \टोपी{\बीटा_0} = \बार{y} – \टोपी{\बीटा_1} \बार{x} \]

जहाँ \(\bar{y}\) र \(\bar{x}\) क्रमशः \(y\) र \(x\) को औसत हुन्।

सबैभन्दा कम वर्ग विधिको प्रयोग

१. अर्थशास्त्र र वित्त

आर्थिक चरहरू बीचको सम्बन्ध मोडेल गर्न अर्थमितिमा न्यूनतम वर्गहरूको विधि व्यापक रूपमा प्रयोग गरिन्छ। उदाहरणका लागि, एक आर्थिक विश्लेषकले मुद्रास्फीतिमा बेरोजगारी दरको प्रभावको मोडेल गर्न चाहन सक्छन्। न्यूनतम वर्गहरूको विधि प्रयोग गरेर, विश्लेषकले दुई चरहरूलाई सम्बन्धित गर्ने र सम्बन्धको बल र प्रकृतिको बारेमा सांख्यिकीय निष्कर्ष निकाल्ने प्रतिगमन मोडेल विकास गर्न सक्छ।

२. सामाजिक विज्ञान

सामाजिक विज्ञानमा, मानव व्यवहार र अन्य चरहरू बीचको सम्बन्ध अध्ययन गर्न सर्वेक्षण र मनोवैज्ञानिक अनुसन्धानमा प्रायः न्यूनतम वर्गको विधि प्रयोग गरिन्छ। यसको उत्कृष्ट उदाहरण भनेको व्यक्तिको खुशीको स्तरलाई उनीहरूको वार्षिक आयसँग सम्बन्धित साधारण रेखीय प्रतिगमन हो।

३. इन्जिनियरिङ

इन्जिनियरिङमा, उपकरण क्यालिब्रेसन र सिग्नल प्रशोधनको लागि न्यूनतम वर्ग विधि प्रयोग गर्न सकिन्छ। उदाहरणका लागि, डिजिटल छवि प्रशोधनमा, यो विधि अवलोकन गरिएको डेटामा आधारित मोडेल फिट गरेर छविहरूमा आवाज कम गर्न प्रयोग गरिन्छ।

४. मौसम विज्ञान र जलवायु विज्ञान

मौसमविद्हरूले तापक्रम, वर्षा, वा अन्य मौसम चरहरूसँग सम्बन्धित डेटा विश्लेषण गर्न यो विधि प्रयोग गर्छन्। रिग्रेसन मोडेलहरूको साथ, तिनीहरूले ऐतिहासिक डेटाको आधारमा मौसम ढाँचाहरूको भविष्यवाणी गर्न सक्छन्, जसले गर्दा अझ सटीक पूर्वानुमान सिर्जना गर्न मद्दत गर्दछ।

पाइथनको साथ व्यावहारिक कार्यान्वयन

अभ्यासमा सबैभन्दा कम वर्ग विधि लागू गर्न, विशेष गरी सरल रेखीय प्रतिगमन, हामी `numpy` र `matplotlib` पुस्तकालयहरूको मद्दतले पाइथन प्रोग्रामिङ भाषा प्रयोग गर्न सक्छौं। यहाँ एउटा कोड उदाहरण छ जसले यो प्रक्रियालाई चित्रण गर्दछ:

'' अजगर
np को रूपमा numpy आयात गर्नुहोस्
matplotlib.pyplot लाई plt को रूपमा आयात गर्नुहोस्

नमुना डेटा
x = np.array([१, २, ३, ४, ५])
y = np.array([2, 3, 5, 7, 11])

x र y को औसत
मध्य_x = np.मध्यम(x)
माध्य_y = np.माध्यम(y)

प्यारामिटरहरू गणना गर्नुहोस्
अंश = np.sum((x – mean_x) (y – mean_y))
भाजक = np.योगफल((x – मध्य_x) २)
b1 = अंश / हर
b० = मध्य_y – b१ मध्य_x

भविष्यवाणी y
y_pred = b0 + b1 x

प्लट परिणामहरू
plt.scatter(x, y, color='नीलो', label='अवलोकन डेटा')
plt.plot(x, y_pred, color='रातो', label='रिग्रेसन लाइन')
plt.xlabel('x')
plt.ylabel('y')
plt.legend() ले
plt.show() लाई

print(f”प्रतिगमन गुणांक: b0 = {b0}, b1 = {b1}”)
"'

केसिम्पुलन

कम्तीमा वर्गको विधि तथ्याङ्क र डेटा विश्लेषणमा एक शक्तिशाली र आवश्यक आधार हो। त्रुटिहरू कम गर्ने र मोडेल फिटलाई अधिकतम बनाउने यसको क्षमताले यसलाई अर्थशास्त्रदेखि इन्जिनियरिङ र सामाजिक विज्ञानसम्मका विस्तृत क्षेत्रहरूमा अत्यन्त उपयोगी बनाउँछ। आधारभूत अवधारणा सरल भए पनि, यो विधिलाई गैर-रेखीय प्रतिगमन, मिश्रित-प्रभाव मोडेलहरू, र मेसिन लर्निङ जस्ता जटिल मोडेलहरूमा विस्तार गर्न सकिन्छ। कम्तीमा वर्गको विधिको राम्रो बुझाइ र पर्याप्त अभ्यासको साथ, हामी हाम्रो डेटा विश्लेषणको शुद्धता सुधार गर्न र थप सूचित निर्णयहरू गर्न सक्छौं।

आशा छ यो लेखले कम से कम वर्ग विधि र यसको प्रयोगहरूको स्पष्ट र व्यापक सिंहावलोकन प्रदान गर्नेछ।