सबैभन्दा कम वर्ग विधि

न्यूनतम वर्ग विधि: एक व्यापक विश्लेषण

Least Squares Method तथ्याङ्कीय प्रतिगमन विश्लेषणमा सबैभन्दा आधारभूत प्रविधिहरू मध्ये एक हो, जसले डेटा फिटिंग, मोडेलिङ र भविष्यवाणी विश्लेषणमा महत्त्वपूर्ण भूमिका खेल्छ। यो एक गणितीय दृष्टिकोण हो जसले अवलोकन गरिएको र भविष्यवाणी गरिएको मानहरू बीचको भिन्नताको वर्गहरूको योगलाई न्यूनतम गर्दछ। यसो गरेर, यसले डेटा बिन्दुहरूको दिइएको सेटमा उत्तम-फिटिंग रेखा वा वक्र प्रदान गर्दछ। यस लेखमा, हामी Least Squares Method को जग, अनुप्रयोग, व्युत्पन्नता र सीमितताहरू अन्वेषण गर्नेछौं।

ऐतिहासिक पृष्ठभूमि

सबैभन्दा कम वर्ग विधि पहिलो पटक १७९५ मा १८ वर्षको उमेरमा कार्ल फ्रेडरिक गौसले प्रस्तुत गरेका थिए, यद्यपि यो १८०९ सम्म प्रकाशित भएको थिएन। अर्का प्रख्यात गणितज्ञ एड्रियन-मारी लेजेन्ड्रेले १८०५ मा स्वतन्त्र रूपमा यस्तै विधि विकास र प्रकाशित गरे। यसको बावजुद, गौसको नोटेशन र विधिको विस्तारले आधुनिक प्रयोगको जग बसाल्यो।

गणितीय आधार

यसको सरलतम रूपमा, Least Squares Method लाई डेटा बिन्दुहरूको सेटमा रेखीय मोडेल फिट गर्न प्रयोग गरिन्छ। `n` डेटा बिन्दुहरूको सेट \((x_1, y_1), (x_2, y_2), …, (x_n, y_n)\ दिइएको छ, लक्ष्य भनेको रेखा \(y = mx + c\) फेला पार्नु हो जसले अवलोकन गरिएका मानहरू \(y_i\) र रेखा \(\hat{y}_i\) द्वारा भविष्यवाणी गरिएका मानहरू बीचको ठाडो दूरी (अवशेषहरू) को वर्गहरूको योगलाई न्यूनतम गर्दछ।

गणितीय रूपमा, यो उद्देश्यलाई निम्न रूपमा प्रतिनिधित्व गर्न सकिन्छ:

\[ S = \योग_{i=1}^{n} (y_i – \टोपी{y}_i)^2 = \योग_{i=1}^{n} (y_i – (mx_i + c))^2 \]

यो समीकरणले अवशिष्टहरूको वर्गहरूको योगफल, \(S\) लाई प्रतिनिधित्व गर्दछ, र हाम्रो लक्ष्य \(m\) (ढलान) र \(c\) (अवरोध) को मानहरू फेला पार्नु हो जसले \(S\) लाई न्यूनतम गर्दछ।

व्युत्पन्न

वर्गहरूको योगफल \(S\) लाई न्यूनतम गर्ने \(m\) र \(c\) को मानहरू पत्ता लगाउन, हामी \(m\) र \(c\) को सन्दर्भमा \(S\) को आंशिक व्युत्पन्नहरू लिन्छौं र तिनीहरूलाई शून्यमा सेट गर्छौं।

१. \(m\) को सम्बन्धमा आंशिक व्युत्पन्न:

\[ \frac{\आंशिक S}{\आंशिक m} = \sum_{i=1}^{n} २(y_i – (mx_i + c))(-x_i) = ० \]

२. \(c\) को सम्बन्धमा आंशिक व्युत्पन्न:

\[ \frac{\आंशिक S}{\आंशिक c} = \sum_{i=1}^{n} २(y_i – (mx_i + c))(-1) = ० \]

यी एकसाथ समीकरणहरू समाधान गर्दा सामान्य समीकरणहरू प्राप्त हुन्छन्:

\[ m = \frac{n(\योगफल x_i y_i) – (\योगफल x_i)(\योगफल y_i)}{n (\योगफल x_i^2) – (\योगफल x_i)^2} \]

\[ c = \frac{(\योगफल y_i)(\योगफल x_i^2) – (\योगफल x_i)(\योगफल x_i y_i)}{n(\योगफल x_i^2) – (\योगफल x_i)^2} \]

यी समीकरणहरूले हामीलाई \(m\) र \(c\) को मान दिन्छन् जसले वर्ग अवशिष्टहरूको योगलाई न्यूनतम गर्दछ।

आवेदन

Least Squares Method का विभिन्न क्षेत्रहरूमा व्यापक प्रयोगहरू छन्:

१. अर्थशास्त्र र वित्त: GDP, मुद्रास्फीति दर, र स्टक मूल्यहरू जस्ता आर्थिक सूचकहरूको मोडेल र पूर्वानुमान गर्न प्रयोग गरिन्छ।

२. इन्जिनियरिङ: अनुभवजन्य डेटामा मोडेलहरू फिट गर्न सिग्नल प्रशोधन, नियन्त्रण प्रणाली, र विश्वसनीयता परीक्षणमा लागू गरिन्छ।

३. औषधि: प्रयोगात्मक डेटामा वृद्धि वक्र, खुराक-प्रतिक्रिया वक्र, र अन्य जैविक प्रक्रियाहरू फिट गर्न मद्दत गर्दछ।

४. मेसिन लर्निङ: प्यारामिटर अनुमानको लागि प्रायः Least Squares Method प्रयोग गर्ने रेखीय प्रतिगमन मोडेलहरू पर्यवेक्षित सिकाइ प्रविधिहरूमा आधारभूत हुन्छन्।

५. खगोल विज्ञान: ऐतिहासिक रूपमा गौसले आकाशीय पिण्डहरूको कक्षा गणना गर्न प्रयोग गरेका थिए।

भिन्नता र विस्तारहरू

१. भारित न्यूनतम वर्गहरू: अवलोकनहरूमा फरक भिन्नताहरू भएका अवस्थामा, भारित न्यूनतम वर्गहरूले प्रत्येक डेटा बिन्दुमा भार तोक्छन्, वर्गहरूको भारित योगफललाई न्यूनतम पार्छन्।

२. गैर-रेखीय न्यूनतम वर्गहरू: गैर-रेखीय मोडेलहरू फिट गर्न विधि विस्तार गर्दछ, प्रायः गौस-न्यूटन वा लेभेनबर्ग-मार्क्वार्ड एल्गोरिदमहरू जस्ता पुनरावृत्ति प्रविधिहरू मार्फत।

३. नियमितीकृत न्यूनतम वर्गहरू (रिज रिग्रेसन): ओभरफिटिंग रोक्नको लागि वर्गहरूको योगमा पेनाल्टी पद थप्छ, विशेष गरी बहु-रेखीयतासँग व्यवहार गर्दा उपयोगी।

४. सामान्यीकृत न्यूनतम वर्गहरू: सहसम्बन्धित अवलोकनहरूको लागि खाताहरू, स्वत: सहसम्बन्धित र विषम वर्ग त्रुटिहरू ह्यान्डल गर्न न्यूनतम वर्ग विधि विस्तार गर्दै।

गणना उपकरणहरू

विभिन्न सफ्टवेयर उपकरणहरू र प्रोग्रामिङ वातावरणहरूले न्यूनतम वर्ग प्रतिगमन प्रदर्शन गर्न निर्मित प्रकार्यहरू प्रदान गर्दछ:

१. पाइथन: NumPy र SciPy जस्ता पुस्तकालयहरूले क्रमशः रेखीय र गैर-रेखीय न्यूनतम वर्ग फिटिंगको लागि `numpy.linalg.lstsq` र `scipy.optimize.curve_fit` प्रकार्यहरू प्रदान गर्छन्।

२. R: R को व्यापक सांख्यिकीय वातावरणमा रेखीय मोडेलहरूको लागि `lm()` र गैर-रेखीय मोडेलहरूको लागि `nls()` जस्ता कार्यहरू।

३. MATLAB: MATLAB मा `lsqcurvefit` प्रकार्य गैर-रैखिक फिटिंगको लागि प्रयोग गरिन्छ, रैखिक बीजगणित सञ्चालनहरूको लागि निर्मित समर्थनको साथ।

सीमितता

यसको व्यापक उपयोगिताको बावजुद, Least Squares Method का सीमितताहरू छन्:

१. आउटलियरहरू प्रति संवेदनशीलता: लीस्ट स्क्वायरहरू आउटलियरहरू प्रति अत्यधिक संवेदनशील हुन्छ, किनकि वर्ग शब्दले ठूला अवशेषहरूको प्रभावलाई बढाउँछ।

२. रेखीयताको अनुमान: चरहरू बीचको रेखीय सम्बन्ध मानिन्छ, जुन जटिल डेटासेटहरूको लागि सत्य नहुन सक्छ।

३. बहुसमलैखिकता समस्याहरू: बहुसमलैखिक प्रतिगमनमा, भविष्यसूचक चरहरू बीचको बहुसमलैखिकताले गुणांकहरूको अनुमानलाई विकृत गर्न सक्छ।

४. भिन्नताको एकरूपता (होमोसेडेस्टिकिटी): अवलोकनहरूमा त्रुटि पदहरूको भिन्नता स्थिर छ भनी मानिन्छ, जुन सधैं त्यस्तो नहुन सक्छ।

निष्कर्ष

Least Squares Method, यसको उमेरको बावजुद, तथ्याङ्कीय डेटा विश्लेषण र मोडेलिङमा आधारशिला बनेको छ। यसको सरलता, प्रभावकारिता, र आधारभूत रेखीय प्रतिगमनदेखि जटिल गैर-रेखीय र सामान्यीकृत मोडेलहरू सम्मका विभिन्न रूपहरूमा अनुकूलनशीलताले यसलाई अमूल्य बनाउँछ। डेटा विश्लेषणमा संलग्न जो कोहीको लागि यसको गणितीय आधार, अनुप्रयोगहरू र सीमितताहरू बुझ्नु आवश्यक छ, अर्थपूर्ण अन्तर्दृष्टि प्राप्त गर्न विधिलाई उचित रूपमा लागू गरिएको सुनिश्चित गर्दै। शिक्षामा होस् वा उद्योगमा, Least Squares Method डेटा भित्रको सम्बन्ध बुझ्न र सूचित भविष्यवाणीहरू गर्नको लागि एक बलियो उपकरण बन्न जारी छ।