ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਚਰਚਾ ਪ੍ਰਸ਼ਨਾਂ ਦੀ ਉਦਾਹਰਣ
ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ (LEM) ਇੱਕ ਅੰਕੜਾ ਵਿਧੀ ਹੈ ਜੋ ਸਭ ਤੋਂ ਵਧੀਆ ਫਿੱਟ ਦੀ ਰੇਖਾ ਲੱਭਣ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ ਜੋ ਡੇਟਾ ਦੀ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਕਰਦੀ ਹੈ। ਇਹ ਵਿਧੀ ਅਕਸਰ ਸੁਤੰਤਰ ਅਤੇ ਨਿਰਭਰ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਲੇਖ ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਦੀਆਂ ਮੂਲ ਧਾਰਨਾਵਾਂ ਨੂੰ ਕਵਰ ਕਰੇਗਾ, ਉਦਾਹਰਣਾਂ ਅਤੇ ਕਦਮ-ਦਰ-ਕਦਮ ਵਿਆਖਿਆਵਾਂ ਦੇ ਨਾਲ ਇਸ ਵਿਧੀ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ ਦੀ ਡੂੰਘੀ ਸਮਝ ਲਈ।
ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਦੇ ਮੂਲ ਸੰਕਲਪ
ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਦਾ ਟੀਚਾ ਨਿਰੀਖਣ ਕੀਤੇ ਮੁੱਲਾਂ ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਦੁਆਰਾ ਅਨੁਮਾਨਿਤ ਮੁੱਲਾਂ ਵਿਚਕਾਰ ਅੰਤਰ ਦੇ ਵਰਗਾਂ ਦੇ ਜੋੜ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨਾ ਹੈ। ਇੱਕ ਸਧਾਰਨ ਰੇਖਿਕ ਰਿਗਰੈਸ਼ਨ ਲਾਈਨ ਦੇ ਸਮੀਕਰਨ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਲਿਖਿਆ ਜਾ ਸਕਦਾ ਹੈ:
\[ y = a + bx \]
ਮਨ:
– \( y \) ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਹੈ,
– \( x \) ਸੁਤੰਤਰ ਵੇਰੀਏਬਲ ਹੈ,
– \( a \) ਇੰਟਰਸੈਪਟ ਹੈ (\( y \) ਦਾ ਮੁੱਲ ਜਦੋਂ \( x = 0 \)),
– \( b \) ਰੇਖਾ ਦੀ ਢਲਾਣ ਹੈ (ਢਲਾਨ, ਜਾਂ ਰਿਗਰੈਸ਼ਨ ਗੁਣਾਂਕ)।
ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਪੈਰਾਮੀਟਰਾਂ \( a \) ਅਤੇ \( b \) ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦੀ ਹੈ ਜੋ ਹੇਠ ਦਿੱਤੇ ਫੰਕਸ਼ਨ ਨੂੰ ਘੱਟੋ-ਘੱਟ ਕਰਦੇ ਹਨ:
\[ \ਟੈਕਸਟ{SSE} = \ਸਮ_{i=1}^{n} (y_i – \ਟੋਪੀ{y_i})^2 \]
ਜਿੱਥੇ SSE ਵਰਗ ਗਲਤੀਆਂ ਦਾ ਜੋੜ ਹੈ, \( y_i \) ਅਸਲ ਮੁੱਲ ਹੈ, ਅਤੇ \( \hat{y_i} = a + bx_i \) ਅਨੁਮਾਨਿਤ ਮੁੱਲ ਹੈ।
ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਦੇ ਕਦਮ
ਇਸ ਸੰਕਲਪ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਨ ਲਈ, ਅਸੀਂ ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਨਾਲ ਸਬੰਧਤ ਇੱਕ ਉਦਾਹਰਣ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਾਂਗੇ।
ਸਮੱਸਿਆਵਾਂ ਦੀ ਉਦਾਹਰਣ
ਹੇਠ ਦਿੱਤੇ ਡੇਟਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ:
| x (ਪੜ੍ਹਾਈ ਦੇ ਘੰਟੇ) | y (ਪ੍ਰੀਖਿਆ ਸਕੋਰ) |
|——————–|——————–|
| 2 | 81 |
| 4 | 93 |
| 6 | 91 |
| 8 | 97 |
| 10 | 103 |
ਰੇਖਿਕ ਰਿਗਰੈਸ਼ਨ ਲਾਈਨ ਦਾ ਪਤਾ ਲਗਾਓ ਜੋ ਡੇਟਾ ਦੇ ਅਨੁਕੂਲ ਹੈ।
ਚਰਚਾ
1. \( \bar{x} \) ਅਤੇ \( \bar{y} \) ਦੀ ਔਸਤ ਦੀ ਗਣਨਾ ਕਰਨਾ
\[
\bar{x} = \frac{\sum x_i}{n} = \frac{2 + 4 + 6 + 8 + 10}{5} = 6
\]
\[
\bar{y} = \frac{\sum y_i}{n} = \frac{81 + 93 + 91 + 97 + 103}{5} = 93
\]
2. ਪੈਰਾਮੀਟਰ \( b \) (ਢਲਾਨ) ਦੀ ਗਣਨਾ ਕਰਨਾ
ਪੈਰਾਮੀਟਰ \( b \) ਦੀ ਗਣਨਾ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:
\[
b = \frac{\sum (x_i – \bar{x})(y_i – \bar{y})}{\sum (x_i – \bar{x})^2}
\]
ਹਰੇਕ ਹਿੱਸੇ ਦੀ ਗਣਨਾ ਕਰਨਾ:
\[
\sum (x_i – \bar{x})(y_i – \bar{y}) = (2-6)(81-93) + (4-6)(93-93) + (6-6)(91-93) + (8-6)(97-93) + (10-6)(103-93)
\]
\[
= (-4)(-12) + (-2)(0) + (0)(-2) + (2)(4) + (4)(10)
\]
\[
= 48 + 0 + 0 + 8 + 40 = 96
\]
\[
\sum (x_i – \bar{x})^2 = (2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2
\]
\[
= (-4)^2 + (-2)^2 + 0^2 + 2^2 + 4^2
\]
\[
= 16 + 4 + 0 + 4 + 16 = 40
\]
ਤਾਂਕਿ:
\[
b = \frac{96}{40} = 2.4
\]
3. ਪੈਰਾਮੀਟਰ \( a \) (ਇੰਟਰਸੈਪਟ) ਦੀ ਗਣਨਾ ਕਰਨਾ
\( \bar{x} \) ਅਤੇ \( \bar{y} \) ਦੀ ਔਸਤ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ:
\[
a = \bar{y} – b\bar{x} = 93 – 2.4 \ਗੁਣਾ 6 = 93 – 14.4 = 78.6
\]
4. ਰਿਗਰੈਸ਼ਨ ਲਾਈਨ ਸਮੀਕਰਨ ਲਿਖਣਾ
ਮਿਲੇ ਪੈਰਾਮੀਟਰਾਂ ਨਾਲ, ਅਸੀਂ ਰਿਗਰੈਸ਼ਨ ਲਾਈਨ ਦਾ ਸਮੀਕਰਨ ਲਿਖ ਸਕਦੇ ਹਾਂ:
\[
y = 78.6 + 2.4x
\]
ਵਿਆਖਿਆ ਅਤੇ ਤਸਦੀਕ
ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਿ ਇਹ ਰਿਗਰੈਸ਼ਨ ਲਾਈਨ ਫਿੱਟ ਬੈਠਦੀ ਹੈ, ਅਸੀਂ ਸ਼ੁਰੂਆਤੀ ਡੇਟਾ ਵਿੱਚ ਹਰੇਕ x ਲਈ ਅਨੁਮਾਨਿਤ y-ਮੁੱਲ (\(\hat{y}\)) ਦੀ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹਾਂ, ਅਤੇ ਨਾਲ ਹੀ ਭਵਿੱਖਬਾਣੀ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਲਈ ਵਰਗ ਗਲਤੀਆਂ ਦੇ ਜੋੜ (SSE) ਦੀ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹਾਂ।
| x | y | \(\hat{y}\) | \(y – \hat{y})^2\) |
|—|—-|————|——————–|
| 2 | 81 | 83.4 | (81-83.4)^2 = 5.76 |
| 4 | 93 | 88.2 | (93-88.2)^2 = 23.04|
| 6 | 91 | 93.0 | (91-93.0)^2 = 4.00 |
| 8 | 97 | 97.8 | (97-97.8)^2 = 0.64 |
|10 |103 |102.6 | (103-102.6)^2= 0.16|
SSS:
\[
ਐੱਸਐੱਸਈ = 5.76 + 23.04 + 4.00 + 0.64 + 0.16 = 33.6
\]
ਇੱਕ ਮੁਕਾਬਲਤਨ ਛੋਟੇ SSE ਦੇ ਨਾਲ, ਅਸੀਂ ਇਹ ਸਿੱਟਾ ਕੱਢ ਸਕਦੇ ਹਾਂ ਕਿ ਘੱਟੋ ਘੱਟ ਵਰਗ ਵਿਧੀ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੀ ਗਈ ਰਿਗਰੈਸ਼ਨ ਲਾਈਨ ਇਸ ਡੇਟਾ ਲਈ ਇੱਕ ਵਧੀਆ ਫਿੱਟ ਹੈ।
ਸਿੱਟਾ
ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਇੱਕ ਡੇਟਾਸੈਟ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ-ਫਿੱਟ ਲਾਈਨ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਅੰਕੜਾ ਵਿਸ਼ਲੇਸ਼ਣ ਟੂਲ ਹੈ, ਭਟਕਣਾਂ ਦੇ ਵਰਗ ਦੇ ਅਧਾਰ ਤੇ ਭਵਿੱਖਬਾਣੀ ਗਲਤੀ ਨੂੰ ਘੱਟ ਕਰਦਾ ਹੈ। ਮੱਧਮਾਨ ਦੀ ਗਣਨਾ ਕਰਨ, ਢਲਾਣ ਅਤੇ ਇੰਟਰਸੈਪਟ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ, ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਲਾਈਨ ਸਮੀਕਰਨ ਲਿਖਣ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੇ ਕਦਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਅਸੀਂ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲਾਂ ਤੋਂ ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਦੇ ਮੁੱਲ ਦਾ ਸਹੀ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦੇ ਹਾਂ।
ਇਸ ਵਿਧੀ ਦੀ ਚੰਗੀ ਸਮਝ ਅਰਥ ਸ਼ਾਸਤਰ, ਬਾਇਓਸਟੈਟਿਸਟਿਕਸ, ਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਸਮਾਜਿਕ ਵਿਗਿਆਨ ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ ਬਹੁਤ ਲਾਭਦਾਇਕ ਹੈ, ਜਿੱਥੇ ਰਿਗਰੈਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ ਅਕਸਰ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਲੇਖ, ਠੋਸ ਉਦਾਹਰਣਾਂ ਦੇ ਨਾਲ, ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਇਸ ਵਿਧੀ ਦੀ ਮਹੱਤਤਾ ਅਤੇ ਉਪਯੋਗਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
