د لږ مربع میتود: د معلوماتو تحلیل کې پیژندنه او تطبیق
پنډاهولوان
د لږ مربع میتود د معلوماتو تحلیل کې یو له خورا بنسټیزو او پراخه کارول شویو تخنیکونو څخه دی، په ځانګړې توګه په احصایو او تطبیقي ریاضي کې. دا میتود موخه لري چې هغه پیرامیټرې اټکل کړي چې د وړاندیز شوي ماډل څخه د لیدل شوي انحرافاتو د مربعونو مجموعه کموي. پدې مقاله کې، موږ به د لږ مربع میتود اساسي مفکورې، په مختلفو برخو کې د هغې غوښتنلیکونه، او د پلي کولو لپاره عملي ګامونه وپلټو.
د لږ مربع طریقې بنسټیز مفاهیم
د لږ مربع میتود په ساده ډول د خطي ریګریشن له لارې تشریح کیدی شي. فرض کړئ چې موږ د جوړو په بڼه معلومات لرو \((x_i, y_i)\) چیرې چې \( i = 1, 2, …, n \). هغه خطي ماډل چې موږ یې جوړول غواړو په لاندې ډول څرګند کیدی شي:
\[ y = \beta_0 + \beta_1 x + \epsilon \]
چیرته چې \( \beta_0 \) او \( \beta_1 \) هغه پیرامیټرونه دي چې موږ یې اټکل کول غواړو، پداسې حال کې چې \( \epsilon \) هغه تېروتنه یا پاتې شوني دي چې تمه کیږي د صفر اوسط ولري.
د لږ تر لږه مربع میتود هدف دا دی چې لاندې هدفي فعالیت کم کړي:
\[ S(\beta_0, \beta_1) = \sum_{i=1}^{n} (y_i – \beta_0 – \beta_1 x_i)^2 \]
د غوره پیرامیټرو موندل: یوه ریاضيکي طریقه
د هغو پیرامیټر ارزښتونو موندلو لپاره چې د هدف فعالیت \( S \) کموي، موږ اړتیا لرو چې د \( S \) جزوي مشتقات د \( \beta_0 \) او \( \beta_1 \) په اړه محاسبه کړو، او بیا لاندې معادله حل کړو:
\[ \frac{\جزوی S}{\جزوی \beta_0} = -2 \sum_{i=1}^n (y_i – \beta_0 – \beta_1 x_i) = 0 \]
\[ \frac{\جزوی S}{\جزوی \beta_1} = -2 \sum_{i=1}^n x_i (y_i – \beta_0 – \beta_1 x_i) = 0 \]
د خطي معادلو د دې سیسټم په حل کولو سره، موږ کولی شو اټکل کوونکي \(\hat{\beta_0}\) او \(\hat{\beta_1}\) ومومو:
\[ \خولۍ{\بیټا_1} = \frac{n \sum_{i=1}^n x_i y_i – \sum_{i=1}^n x_i \sum_{i=1}^n y_i}{n \sum_{i=1}^n x_i^2 – (\sum_{i=1}^n x_i)^2} \]
\[ \خولۍ{\بیټا_0} = \بار{y} – \خولۍ{\بیټا_1} \بار{x} \]
چیرې چې \(\bar{y}\) او \(\bar{x}\) په ترتیب سره د \(y\) او \(x\) اوسط دي.
د لږ مربع طریقې پلي کول
۱. اقتصاد او مالي چارې
د لږ تر لږه مربعونو طریقه په پراخه کچه په اقتصادي متغیراتو کې د اړیکو ماډل کولو لپاره کارول کیږي. د مثال په توګه، یو اقتصادي شنونکی ممکن وغواړي چې د انفلاسیون په اړه د بیکارۍ کچه اغیزه ماډل کړي. د لږ تر لږه مربعونو میتود په کارولو سره، شنونکی کولی شي د ریګریشن ماډل رامینځته کړي چې دوه متغیرونه سره تړاو لري او د اړیکو د ځواک او طبیعت په اړه احصایوي پایلې رامینځته کوي.
۲. ټولنیز علوم
په ټولنیزو علومو کې، د لږترلږه مربعونو طریقه ډیری وختونه په سروې ګانو او رواني څیړنو کې کارول کیږي ترڅو د انسان چلند او نورو متغیرونو ترمنځ اړیکه مطالعه کړي. یو کلاسیک مثال یو ساده خطي ریګریشن دی چې د یو فرد د خوښۍ کچه د دوی کلني عاید سره تړاو لري.
۳. انجینري
په انجینرۍ کې، د لږترلږه مربع میتود د وسایلو کیلیبریشن او سیګنال پروسس کولو لپاره کارول کیدی شي. د مثال په توګه، په ډیجیټل عکس پروسس کولو کې، دا میتود د مشاهده شوي معلوماتو پراساس د ماډل نصبولو سره په عکسونو کې د شور کمولو لپاره کارول کیږي.
۴. هوا پېژندنه او اقلیم پېژندنه
د هوا پېژندنې پوهان دا طریقه د تودوخې، باران، یا نورو هوا متغیراتو پورې اړوند معلوماتو تحلیل لپاره کاروي. د ریګریشن ماډلونو سره، دوی کولی شي د تاریخي معلوماتو پراساس د هوا نمونې وړاندوینه وکړي، چې د ډیرو دقیقو وړاندوینو په جوړولو کې مرسته کوي.
د پایتون سره عملي تطبیق
د لږترلږه مربع میتود په عمل کې پلي کولو لپاره، په ځانګړي توګه ساده خطي ریګریشن، موږ کولی شو د `numpy` او `matplotlib` کتابتونونو په مرسته د پایتون پروګرامینګ ژبه وکاروو. دلته د کوډ مثال دی چې دا پروسه روښانه کوي:
«پېتون
numpy د np په توګه وارد کړئ
matplotlib.pyplot د plt په توګه وارد کړئ
د نمونې معلومات
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 3, 5, 7, 11])
د x او y اوسط
د x_mean = np.mean(x)
د_y_mean = د np.mean(y)
پیرامیټونه محاسبه کړئ
شمېر = np.sum((x – mean_x) (y – mean_y))
مخرج = np.sum((x – mean_x) 2)
b1 = شمېر / مخرج
b0 = د_y_mean – b1 د_x_mean
وړاندوینه y
y_pred = b0 + b1 x
د پلاټ پایلې
plt.scatter(x, y, color='blue', label='د مشاهدې معلومات')
plt.plot(x, y_pred, color='سور', label='د رجعت کرښه')
plt.xlabel('x')
plt.ylabel('y')
پلیټ.لیجنډ()
plt.show()
چاپ (f "د بیرته راګرځیدو ضریبونه: b0 = {b0}، b1 = {b1}")
"
پایله
د لږ تر لږه مربعونو طریقه د احصایو او معلوماتو تحلیل کې یو پیاوړی او اړین بنسټ دی. د غلطیو کمولو او د ماډل فټ اعظمي کولو وړتیا دا په پراخه برخو کې خورا ګټور کوي، له اقتصاد څخه تر انجینرۍ او ټولنیزو علومو پورې. پداسې حال کې چې بنسټیز مفهوم ساده دی، دا طریقه ډیرو پیچلو ماډلونو ته غځول کیدی شي لکه غیر خطي ریګریشن، مخلوط اغیزې ماډلونه، او ماشین زده کړه. د لږ تر لږه مربعونو میتود ښه پوهه او کافي تمرین سره، موږ کولی شو د خپل معلوماتو تحلیل دقت ښه کړو او ډیر باخبره پریکړې وکړو.
هیله ده چې دا مقاله د لږ تر لږه مربع میتود او د هغې د غوښتنلیکونو روښانه او جامع کتنه وړاندې کړي.
