लजिस्टिक रिग्रेसन सूत्र

लजिस्टिक रिग्रेसन सूत्र

लजिस्टिक रिग्रेसन तथ्याङ्क र डेटा विज्ञानमा धेरै स्वतन्त्र चरहरू (भविष्यवाणीकर्ताहरू) र वर्गीकृत निर्भर चरहरू, विशेष गरी बाइनरी (जस्तै, हो/होइन, सफलता/असफलता, बिरामी/स्वस्थ) बीचको सम्बन्ध मोडेल गर्ने सबैभन्दा लोकप्रिय विधिहरू मध्ये एक हो। निरन्तर मानहरू उत्पादन गर्ने रेखीय रिग्रेसनको विपरीत, लजिस्टिक रिग्रेसन घटनाको सम्भाव्यता अनुमान गर्न डिजाइन गरिएको हो, त्यसैले अन्तिम परिणाम ० देखि १ को दायरामा हुन्छ। यस लेखमा, हामी लजिस्टिक रिग्रेसन सूत्र, प्रत्येक घटकको अर्थ, र यसलाई कसरी व्याख्या गर्ने भन्ने बारे छलफल गर्नेछौं।

लजिस्टिक रिग्रेसन किन आवश्यक छ?

यदि हामीले सम्भाव्यताहरूको भविष्यवाणी गर्न रेखीय प्रतिगमन प्रयोग गर्छौं भने, मोडेलले ० भन्दा कम वा १ भन्दा माथि मानहरू उत्पादन गर्न सक्छ, जुन सम्भाव्यताको लागि स्पष्ट रूपमा अनुचित छ। लजिस्टिक प्रतिगमनले गणना गरिएको परिणाम (जुन कुनै पनि मान हुन सक्छ) लाई ० र १ बीचको सम्भाव्यता मानमा नक्सा गर्ने गैर-रेखीय प्रकार्य प्रयोग गरेर यो समस्यालाई सम्बोधन गर्दछ। सबैभन्दा सामान्य रूपमा प्रयोग हुने प्रकार्य लजिस्टिक वा सिग्मोइड प्रकार्य हो।

उदाहरणका लागि, मानौं हामी ग्राहकको उमेर, सदस्यताको लम्बाइ र प्रयोगको आवृत्तिको आधारमा ग्राहकले काम गर्छ कि गर्दैन भनेर भविष्यवाणी गर्न चाहन्छौं। अनुमानित परिणाममा केवल दुई सम्भावनाहरू छन्: काम नगर्ने (१) वा काम नगर्ने (०)। यस प्रकारको परिस्थितिको लागि लजिस्टिक रिग्रेसन राम्रोसँग उपयुक्त छ।

लजिस्टिक रिग्रेसनको लागि आधारभूत सूत्र

लजिस्टिक रिग्रेसनको सार भनेको भविष्यवाणी गर्ने चर \( X \) को मान दिएर \( Y = 1 \) (घटना घट्छ) भन्ने सम्भाव्यता \( p \) लाई मोडेल गर्नु हो।

लजिस्टिक रिग्रेसन मोडेलहरू सामान्यतया दुई महत्त्वपूर्ण रूपहरूमा लेखिएका हुन्छन्:

१) सम्भाव्यता फारम (सिग्मोइड)

\[
p = P(Y=1 \मध्य X) = \frac{1}{1 + e^{-z}}
\]

संग

\[
z = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_k X_k
\]

जानकारी:
– \( p \) घटनाको सम्भाव्यता हो (जस्तै: मन्थन = १)।
– \( e \) युलरको संख्या हो (लगभग २.७१८)।
– \( z \) भविष्यसूचकहरूको एक रेखीय संयोजन हो।
– \( \beta_0 \) अवरोध (स्थिर) हो।
– \( \beta_1, \beta_2, \ldots, \beta_k \) प्रतिगमन गुणांकहरू हुन्।
– \( X_1, X_2, \ldots, X_k \) स्वतन्त्र चरहरू हुन्।

सिग्मोइड प्रकार्यले \( z \ को मान जे भए पनि, \( p \) को मान ० र १ बीचमा रहन्छ भनी सुनिश्चित गर्छ।

२) लगिट फारम (लग ओड्स)

अर्को धेरै महत्त्वपूर्ण रूप लगिट रूप हो, जुन बाधाहरूको लघुगणक हो:

\[
\text{logit}(p) = \ln\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_k X_k
\]

जानकारी:
– \( \frac{p}{1-p} \) लाई सम्भावना (सापेक्षिक सम्भावना) भनिन्छ।
– \( \ln \) प्राकृतिक लघुगणक हो।

लगिट फारमले व्याख्या गर्छ कि लजिस्टिक रिग्रेसनले वास्तवमा लग ओड्सलाई भविष्यवाणीकर्ताहरूको रेखीय प्रकार्यको रूपमा मोडेल गर्छ। यसले विशेष गरी ओड्स अनुपातको सन्दर्भमा, गुणांकहरूको व्याख्यालाई स्पष्ट बनाउँछ।

विषमता र विषमता अनुपात बुझ्ने

लजिस्टिक रिग्रेसन सूत्रलाई साँच्चै बुझ्नको लागि, हामीले सम्भाव्यता र बाधाहरू बीचको भिन्नता छुट्याउन आवश्यक छ।

– सम्भाव्यता \( p \): घटना हुने सम्भावना (० देखि १)।
– बाधाहरू: केहि हुने सम्भावना र नहुने सम्भावनाको तुलना:

\[
\पाठ{अडम्बना} = \frac{p}{1-p}
\]

उदाहरण: यदि \( p = 0{,}8 \), भने:

\[
\पाठ{अडम्बना} = \frac{0{,}8}{0{,}2} = ४
\]

यसको अर्थ घटना नहुनुभन्दा ४ गुणा बढी हुने सम्भावना हुन्छ।

लजिस्टिक रिग्रेसनमा, गुणांक \( \beta \) लाई प्रायः विषम अनुपात मार्फत व्याख्या गरिन्छ:

\[
\पाठ{OR} = e^{\beta}
\]

– यदि \( \beta > 0 \), भने \( e^{\beta} > 1 \): भविष्यवक्ताले घटनाको सम्भावना बढाउँछ।
– यदि \( \beta < 0 \), त्यसपछि \( e^{\beta} < 1 \): भविष्यवाणीकर्ताले घटनाको सम्भावना घटाउँछ। - यदि \( \beta = 0 \), त्यसपछि \( e^{\beta} = 1 \): सम्भावनाहरूमा कुनै प्रभाव पर्दैन। उदाहरणका लागि, यदि \( \beta_1 = 0{,}7 \), भने: \[ e^{0{,}7} \approx 2{,}01 \] यसको अर्थ \( X_1 \) मा प्रत्येक १ एकाइ वृद्धिले घटनाको सम्भावनाहरूलाई लगभग २.०१ गुणाले गुणन गर्नेछ (अन्य चरहरू स्थिर रहने मान्दै)। साधारण लजिस्टिक रिग्रेसन मोडेलको उदाहरण मानौं हामीसँग एउटा मात्र भविष्यवाणीकर्ता चर \( X \), उदाहरणका लागि प्रति हप्ता अध्ययनको घण्टाको संख्या छ, परीक्षा उत्तीर्ण हुने भविष्यवाणी गर्न (पास = १, फेल = ०)। मोडेल:

\[ \text{logit}(p) = \beta_0 + \beta_1 X \] यदि अनुमानित परिणाम यो हो भने: - \( \beta_0 = -4 \) - \( \beta_1 = 0{,}8 \) त्यसपछि: \[ z = -4 + 0{,}8X \] \[ p = \frac{1}{1 + e^{-(-4 + 0{,}8X)}} = \frac{1}{1 + e^{4 - 0{,}8X}} \] यदि \( X = 6 \) घण्टाको अध्ययन: \[ z = -4 + 0{,}8(6) = 0{,}8 \] \[ p = \frac{1}{1 + e^{-0{,}8}} \लगभग 0{,}69 \] व्याख्या: प्रति हप्ता ६ घण्टाको अध्ययनको साथ, सम्भाव्यता लगभग ६९% को स्कोरको साथ उत्तीर्ण भयो। गुणांक अनुमान: किन न्यूनतम वर्ग विधि होइन? रेखीय प्रतिगमनमा, गुणांकहरू प्रायः न्यूनतम वर्ग विधि प्रयोग गरेर गणना गरिन्छ। यद्यपि, लजिस्टिक प्रतिगमनमा, भविष्यवाणीकर्ता र सम्भाव्यताहरू बीचको सम्बन्ध गैर-रेखीय हुन्छ, त्यसैले न्यूनतम वर्ग दृष्टिकोण आदर्श हुँदैन। लजिस्टिक प्रतिगमनले सामान्यतया अधिकतम सम्भावना अनुमान (MLE) प्रयोग गर्दछ गुणांक मान \( \beta \) फेला पार्न जसले अवलोकन गरिएको डेटाको सम्भावनालाई अधिकतम बनाउँछ। संक्षेपमा, बाइनरी अवलोकनहरू \( y_i \in \{0,1\} \) र भविष्यवाणीहरू \( p_i \) को सम्भावना यस प्रकार छ: \[ L(\beta) = \prod_{i=1}^{n} p_i^{y_i}(1-p_i)^{1-y_i)} \] त्यसपछि यसलाई गणना गर्न सजिलो बनाउन लग-सम्भावनामा रूपान्तरण गरिन्छ: \[ \ell(\beta) = \sum_{i=1}^{n} \left[ y_i \ln(p_i) + (1-y_i)\ln(1-p_i) \right] \] \( \beta \) को मान अधिकतम बनाउन छनोट गरिन्छ \( \ell(\beta) \)। न्यूटन-राफसन वा ग्रेडियन्ट डिसेन्ट जस्ता संख्यात्मक विधिहरू प्रायः सांख्यिकीय सफ्टवेयरद्वारा प्रयोग गरिन्छ। लजिस्टिक रिग्रेसनका फाइदाहरू र सीमाहरू फाइदाहरू १. परिणामहरू सम्भाव्यताको रूपमा हुन्छन् त्यसैले तिनीहरूलाई निर्णयहरूमा अनुवाद गर्न सजिलो हुन्छ। २. गुणांकहरूको व्याख्या विषमता अनुपात मार्फत स्पष्ट छ। ३. बाइनरी वर्गीकरण समस्याहरूको लागि उपयुक्त र बहुपदीय/अर्डिनलमा विस्तार गर्न सकिन्छ। सीमाहरू १. भविष्यवाणीकर्ताहरू र लग विषमताहरू बीचको रेखीय सम्बन्ध मान्दछ, प्रत्यक्ष रूपमा सम्भाव्यताहरूमा होइन। २. बहुसङ्केतिकता वा अत्यधिक असंतुलित डेटा भएमा समस्याग्रस्त हुन सक्छ। ३. धेरै जटिल सम्बन्ध ढाँचाहरूको लागि, अन्य गैर-रेखीय विधिहरू (जस्तै, अनियमित वन वा तंत्रिका नेटवर्क) उत्कृष्ट हुन सक्छन्। निष्कर्ष लजिस्टिक रिग्रेसन सूत्रले सम्भाव्यताहरू उत्पादन गर्न सिग्मोइड प्रकार्यसँग भविष्यसूचक चरहरूको रेखीय संयोजनलाई अनिवार्य रूपमा संयोजन गर्दछ। सबैभन्दा सामान्य रूप हो: \[ p = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + \cdots + \beta_k X_k)}} \] वा लगिट रूपमा: \[ \ln\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1 X_1 + \cdots + \beta_k X_k \] सूत्रका यी दुई रूपहरू बुझेर, हामी विभिन्न बाइनरी वर्गीकरण समस्याहरूको लागि भविष्यसूचक मोडेलहरू निर्माण गर्न सक्छौं जबकि विषम अनुपात \( e^{\beta} \) मार्फत चरहरूको प्रभावको व्याख्या गर्दै। लजिस्टिक रिग्रेसन डेटा विश्लेषणमा एक महत्त्वपूर्ण आधार रहन्छ किनभने यो सरल, शक्तिशाली, र व्याख्यात्मक छ - र प्रायः अधिक जटिल मोडेलहरू प्रयास गर्नु अघि पहिलो चरण हो। यदि तपाईं चाहनुहुन्छ भने, म सानो डेटा (तालिका) सहितको उदाहरण गणना, वा आउटपुटको व्याख्या सहित Python/R मा लजिस्टिक रिग्रेसनको उदाहरण कार्यान्वयन थप्न सक्छु।