گھٽ ۾ گھٽ چورس طريقو: هڪ جامع تجزيو
گھٽ ۾ گھٽ اسڪوائر طريقو شمارياتي ريگريشن تجزيي ۾ سڀ کان بنيادي طريقن مان هڪ آهي، جيڪو ڊيٽا فٽنگ، ماڊلنگ، ۽ اڳڪٿي ڪندڙ تجزيي ۾ اهم ڪردار ادا ڪري ٿو. اهو هڪ رياضياتي طريقو آهي جيڪو مشاهدو ڪيل ۽ اڳڪٿي ڪيل قدرن جي وچ ۾ فرق جي چورس جي مجموعن کي گھٽائي ٿو. ائين ڪرڻ سان، اهو ڊيٽا پوائنٽن جي ڏنل سيٽ کي بهترين فٽنگ لائن يا وکر فراهم ڪري ٿو. هن آرٽيڪل ۾، اسان گھٽ ۾ گھٽ اسڪوائر طريقو جي بنيادن، ايپليڪيشنن، نڪتن ۽ حدن کي ڳولينداسين.
تاريخي پسمنظر
گهٽ ۾ گهٽ چورس طريقو پهريون ڀيرو ڪارل فريڊرڪ گاس پاران 1795 ۾ 18 سالن جي عمر ۾ متعارف ڪرايو ويو، جيتوڻيڪ اهو 1809 تائين شايع نه ٿيو هو. هڪ ٻي مشهور رياضي دان، ايڊرين-ميري ليجنڊر، آزاديءَ سان 1805 ۾ هڪ اهڙو طريقو تيار ڪيو ۽ شايع ڪيو. ان جي باوجود، گاس جي نوٽيشن ۽ طريقي جي توسيع جديد استعمال جي بنياد رکي.
رياضي فائونڊيشن
ان جي آسان ترين شڪل ۾، گهٽ ۾ گهٽ چورس طريقو هڪ لڪير ماڊل کي ڊيٽا پوائنٽن جي سيٽ سان فٽ ڪرڻ لاءِ استعمال ڪيو ويندو آهي. `n` ڊيٽا پوائنٽن جي هڪ سيٽ کي ڏنو ويو \((x_1, y_1), (x_2, y_2), …, (x_n, y_n)\), مقصد هڪ لڪير \(y = mx + c\) ڳولڻ آهي جيڪا مشاهدو ڪيل قدرن \(y_i\) ۽ لڪير \(\hat{y}_i\) پاران پيش ڪيل قدرن جي وچ ۾ عمودي فاصلن (باقي) جي چورس جي مجموعن کي گھٽ ڪري ٿي.
رياضي طور تي، هن مقصد کي هن طرح بيان ڪري سگهجي ٿو:
\[ ايس = \sum_{i=1}^{n} (y_i – \hat{y}_i)^2 = \sum_{i=1}^{n} (y_i – (mx_i + c))^2 \]
هي مساوات باقيات جي چورس جي مجموعن جي نمائندگي ڪري ٿي، \(S\)، ۽ اسان جو مقصد \(m\) (slope) ۽ \(c\) (intercept) جي قدرن کي ڳولڻ آهي جيڪي \(S\) کي گھٽ ڪن ٿا.
نڪتل
\(m\) ۽ \(c\) جون قدرون ڳولڻ لاءِ جيڪي چورس \(S\) جي مجموعن کي گھٽ ڪن ٿيون، اسان \(S\) جي جزوي نڪتن کي \(m\) ۽ \(c\) جي حوالي سان وٺون ٿا ۽ انهن کي صفر تي سيٽ ڪريون ٿا.
1. جزوي مشتق \(m\) جي حوالي سان:
\[ \frac{\جزوي S}{\جزوي m} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-x_i) = 0 \]
2. جزوي مشتق \(c\) جي حوالي سان:
\[ \frac{\جزوي S}{\جزوي c} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-1) = 0 \]
انهن هڪ ئي وقت مساواتن کي حل ڪرڻ سان عام مساواتون پيدا ٿينديون آهن:
\[ م = \frac{n(\sum x_i y_i) – (\sum x_i)(\sum y_i)}{n (\sum x_i^2) – (\sum x_i)^2} \]
\[ ج = \frac{(\sum y_i)(\sum x_i^2) – (\sum x_i)(\sum x_i y_i)}{n(\sum x_i^2) – (\sum x_i)^2} \]
اهي مساواتون اسان کي \(m\) ۽ \(c\) جون قدرون ڏين ٿيون جيڪي چورس باقيات جي مجموعن کي گھٽ ڪن ٿيون.
اپليڪشن
گھٽ ۾ گھٽ اسڪوائر طريقو مختلف شعبن ۾ وسيع ايپليڪيشنون رکي ٿو:
1. اقتصاديات ۽ ماليات: معاشي اشارن جهڙوڪ GDP، افراط زر جي شرح، ۽ اسٽاڪ جي قيمتن کي ماڊل ڪرڻ ۽ اڳڪٿي ڪرڻ لاءِ استعمال ڪيو ويندو آهي.
2. انجنيئرنگ: سگنل پروسيسنگ، ڪنٽرول سسٽم، ۽ اعتبار جي جاچ ۾ لاڳو ڪيو ويو آهي ته جيئن ماڊلز کي تجرباتي ڊيٽا سان فٽ ڪري سگهجي.
3. دوائون: تجرباتي ڊيٽا ۾ واڌ جي وکر، خوراک جي جواب جي وکر، ۽ ٻين حياتياتي عملن کي فٽ ڪرڻ ۾ مدد ڪري ٿي.
4. مشين لرننگ: لينئر ريگريشن ماڊل، جيڪي اڪثر پيرا ميٽر جي تخميني لاءِ گهٽ ۾ گهٽ اسڪوائر طريقو استعمال ڪندا آهن، نگراني ڪيل سکيا جي طريقن ۾ بنيادي آهن.
5. فلڪيات: تاريخي طور تي گاس پاران آسماني جسمن جي مدارن جي حساب لاءِ استعمال ڪيو ويو.
تبديليون ۽ واڌايون
1. وزن وارا گهٽ ۾ گهٽ چورس: انهن حالتن ۾ جتي مشاهدن ۾ مختلف فرق هوندا آهن، وزن وارا گهٽ ۾ گهٽ چورس هر ڊيٽا پوائنٽ کي وزن مقرر ڪندا آهن، چورس جي وزن واري رقم کي گهٽ ۾ گهٽ.
2. غير لڪير وارا گهٽ ۾ گهٽ چورس: غير لڪير ماڊلز کي فٽ ڪرڻ لاءِ طريقو وڌائي ٿو، اڪثر ڪري گاس-نيوٽن يا ليونبرگ-مارڪوارڊٽ الگورتھم وانگر ٻيهر ورجائيندڙ ٽيڪنڪ ذريعي.
3. ريگيولرائزڊ ليسٽ اسڪوائرز (ريج ريگريشن): اوور فٽنگ کي روڪڻ لاءِ اسڪوائرن جي مجموعن ۾ هڪ پينلٽي اصطلاح شامل ڪري ٿو، خاص طور تي ملٽي ڪول لائنريٽي سان معاملو ڪرڻ وقت مفيد.
4. عام گهٽ ۾ گهٽ چورس: باهمي مشاهدن لاءِ حساب، خودڪار لاڳاپيل ۽ هيٽروسڪيڊسٽڪ غلطين کي سنڀالڻ لاءِ گهٽ ۾ گهٽ چورس طريقي کي وڌايو.
ڪمپيوٽيشنل اوزار
مختلف سافٽ ويئر ٽولز ۽ پروگرامنگ ماحول گهٽ ۾ گهٽ اسڪوائر ريگريشن کي انجام ڏيڻ لاءِ بلٽ ان فنڪشن پيش ڪن ٿا:
1. پٿون: NumPy ۽ SciPy جهڙيون لائبريريون ترتيب وار لڪير ۽ غير لڪير گهٽ ۾ گهٽ چوڪن جي فٽنگ لاءِ `numpy.linalg.lstsq` ۽ `scipy.optimize.curve_fit` فنڪشن مهيا ڪن ٿيون.
2. R: R جي جامع شمارياتي ماحول ۾ لڪير ماڊلز لاءِ `lm()` ۽ غير لڪير ماڊلز لاءِ `nls()` جهڙا ڪم.
3. MATLAB: MATLAB ۾ فنڪشن `lsqcurvefit` غير لڪير فٽنگ لاءِ استعمال ڪيو ويندو آهي، لڪير الجبرا آپريشن لاءِ بلٽ ان سپورٽ سان.
حدون
ان جي وسيع قابل اطلاق هجڻ جي باوجود، گهٽ ۾ گهٽ چورس طريقو جون حدون آهن:
1. آئوٽليئرز جي حساسيت: ليسٽ اسڪوائرز آئوٽليئرز جي لاءِ تمام گهڻو حساس آهي، ڇاڪاڻ ته اسڪوائر اصطلاح وڏين باقيات جي اثر کي وڌائي ٿو.
2. لڪير جو مفروضو: متغيرن جي وچ ۾ هڪ لڪير وارو تعلق فرض ڪري ٿو، جيڪو پيچيده ڊيٽاسيٽس لاءِ صحيح نه ٿي سگهي ٿو.
3. گھڻ-سطحي مسئلا: گھڻ-سطحي رجعت ۾، اڳڪٿي ڪندڙ متغيرن جي وچ ۾ گھڻ-سطحي کوٽائي جي اندازي کي خراب ڪري سگھي ٿو.
4. تغير جي هڪجهڙائي (Homoscedasticity): فرض ڪري ٿو ته غلطي جي اصطلاحن جو تغير مشاهدن ۾ مستقل آهي، جيڪو شايد هميشه ائين نه هجي.
ٿڪل
ليسٽ اسڪوائر طريقو، پنهنجي عمر جي باوجود، شمارياتي ڊيٽا جي تجزيي ۽ ماڊلنگ ۾ هڪ بنياد آهي. ان جي سادگي، اثرائتي، ۽ مختلف شڪلن سان مطابقت، بنيادي لڪير رجعت کان وٺي پيچيده غير لڪير ۽ عام ماڊلز تائين، ان کي انمول بڻائي ٿي. ان جي رياضياتي بنيادن، ايپليڪيشنن ۽ حدن کي سمجهڻ ڊيٽا جي تجزيي ۾ شامل هر ڪنهن لاءِ ضروري آهي، انهي کي يقيني بڻائڻ ته طريقو بامعني بصيرت حاصل ڪرڻ لاءِ مناسب طور تي لاڳو ڪيو وڃي. ڇا اڪيڊميا ۾ هجي يا صنعت ۾، ليسٽ اسڪوائر طريقو ڊيٽا اندر لاڳاپن کي سمجهڻ ۽ باخبر اڳڪٿيون ڪرڻ لاءِ هڪ مضبوط اوزار رهيو آهي.
