අවම චතුරස්ර ක්රමය: දත්ත විශ්ලේෂණයේ හැඳින්වීම සහ යෙදුම
පෙන්ඩහුලුවන්
අවම වර්ග ක්රමය යනු දත්ත විශ්ලේෂණයේ දී, විශේෂයෙන් සංඛ්යාලේඛන සහ ව්යවහාරික ගණිතයේ දී වඩාත් මූලික හා බහුලව භාවිතා වන ශිල්පීය ක්රමවලින් එකකි. මෙම ක්රමය යෝජිත ආකෘතියකින් නිරීක්ෂණය කරන ලද අපගමනයන්ගේ වර්ගවල එකතුව අවම කරන පරාමිතීන් ඇස්තමේන්තු කිරීම අරමුණු කරයි. මෙම ලිපියෙන්, අවම වර්ග ක්රමයේ මූලික සංකල්ප, විවිධ ක්ෂේත්රවල එහි යෙදීම් සහ එය ක්රියාත්මක කිරීම සඳහා ප්රායෝගික පියවර අපි ගවේෂණය කරන්නෙමු.
අවම චතුරස්ර ක්රමයේ මූලික සංකල්ප
අවම චතුරස්ර ක්රමය රේඛීය ප්රතිගමනය හරහා සරලව පැහැදිලි කළ හැකිය. අපට යුගල \((x_i, y_i)\) ආකාරයෙන් දත්ත ඇති බව සිතමු, එහිදී \( i = 1, 2, …, n \). අපට ගොඩනගා ගැනීමට අවශ්ය රේඛීය ආකෘතිය මෙසේ ප්රකාශ කළ හැකිය:
\[ y = \beta_0 + \beta_1 x + \epsilon \]
මෙහි \( \beta_0 \) සහ \( \beta_1 \) යනු අපට ඇස්තමේන්තු කිරීමට අවශ්ය පරාමිතීන් වන අතර, \( \epsilon \) යනු ශුන්යයේ මධ්යන්යයක් ඇතැයි අපේක්ෂා කරන දෝෂය හෝ අවශේෂයයි.
අවම වර්ග ක්රමයේ අරමුණ වන්නේ පහත දැක්වෙන වෛෂයික ශ්රිතය අවම කිරීමයි:
\[ S(\beta_0, \beta_1) = \sum_{i=1}^{n} (y_i – \beta_0 – \beta_1 x_i)^2 \]
ප්රශස්ත පරාමිතීන් සොයා ගැනීම: ගණිතමය ප්රවේශයක්
වෛෂයික ශ්රිතය අවම කරන පරාමිති අගයන් සොයා ගැනීමට, අපි \( \beta_0 \) සහ \( \beta_1 \) ට සාපේක්ෂව \( S \) හි අර්ධ ව්යුත්පන්න ගණනය කර පහත සමීකරණය විසඳිය යුතුය:
\[ \frac{\අර්ධ S}{\අර්ධ \beta_0} = -2 \sum_{i=1}^n (y_i – \beta_0 – \beta_1 x_i) = 0 \]
\[ \frac{\අර්ධ S}{\අර්ධ \beta_1} = -2 \sum_{i=1}^n x_i (y_i – \beta_0 – \beta_1 x_i) = 0 \]
මෙම රේඛීය සමීකරණ පද්ධතිය විසඳීමෙන්, අපට ඇස්තමේන්තු \(\hat{\beta_0}\) සහ \(\hat{\beta_1}\) සොයාගත හැකිය:
\[ \hat{\beta_1} = \frac{n \sum_{i=1}^n x_i y_i – \sum_{i=1}^n x_i \sum_{i=1}^n y_i}{n \sum_{i=1}^n x_i^2 – (\sum_{i=1}^n x_i)^2} \]
\[ \තොප්පිය{\බීටා_0} = \තීරුව{y} – \තොප්පිය{\බීටා_1} \තීරුව{x} \]
මෙහි \(\bar{y}\) සහ \(\bar{x}\) යනු පිළිවෙලින් \(y\) සහ \(x\) හි සාමාන්ය වේ.
අවම චතුරස්ර ක්රමය යෙදීම
1. ආර්ථික විද්යාව සහ මූල්ය
ආර්ථික විචල්යයන් අතර සම්බන්ධතා ආකෘතිකරණය කිරීම සඳහා ආර්ථිකමිතික විද්යාවේදී අවම වර්ග ක්රමය බහුලව භාවිතා වේ. උදාහරණයක් ලෙස, ආර්ථික විශ්ලේෂකයෙකුට උද්ධමනය මත විරැකියා අනුපාතයේ බලපෑම ආකෘතිකරණය කිරීමට අවශ්ය විය හැකිය. අවම වර්ග ක්රමය භාවිතා කරමින්, විශ්ලේෂකයාට විචල්ය දෙක සම්බන්ධ කරන ප්රතිගාමී ආකෘතියක් වර්ධනය කර සම්බන්ධතාවයේ ශක්තිය සහ ස්වභාවය පිළිබඳ සංඛ්යානමය නිගමනවලට එළඹිය හැකිය.
2. සමාජ විද්යාව
සමාජ විද්යාවන්හි, මිනිස් හැසිරීම් සහ අනෙකුත් විචල්යයන් අතර සම්බන්ධතාවය අධ්යයනය කිරීම සඳහා සමීක්ෂණ සහ මනෝවිද්යාත්මක පර්යේෂණ වලදී අවම වර්ග ක්රමය බොහෝ විට භාවිතා වේ. සම්භාව්ය උදාහරණයක් වන්නේ පුද්ගලයෙකුගේ සතුටේ මට්ටම ඔහුගේ වාර්ෂික ආදායමට සම්බන්ධ කරන සරල රේඛීය ප්රතිගමනයයි.
3. ඉංජිනේරු විද්යාව
ඉංජිනේරු විද්යාවේදී, උපකරණ ක්රමාංකනය සහ සංඥා සැකසීම සඳහා අවම වර්ග ක්රමය භාවිතා කළ හැකිය. උදාහරණයක් ලෙස, ඩිජිටල් රූප සැකසීමේදී, නිරීක්ෂණය කරන ලද දත්ත මත පදනම් වූ ආකෘතියක් සවි කිරීමෙන් රූපවල ශබ්දය අඩු කිරීමට මෙම ක්රමය භාවිතා කරයි.
4. කාලගුණ විද්යාව සහ දේශගුණ විද්යාව
කාලගුණ විද්යාඥයින් උෂ්ණත්වය, වර්ෂාපතනය හෝ වෙනත් කාලගුණ විචල්යයන්ට අදාළ දත්ත විශ්ලේෂණය කිරීමට මෙම ක්රමය භාවිතා කරයි. ප්රතිගාමී ආකෘති සමඟ, ඔවුන්ට ඓතිහාසික දත්ත මත පදනම්ව කාලගුණ රටා පුරෝකථනය කළ හැකි අතර, වඩාත් නිවැරදි අනාවැකි නිර්මාණය කිරීමට උපකාරී වේ.
පයිතන් සමඟ ප්රායෝගිකව ක්රියාත්මක කිරීම
අවම වර්ග ක්රමය ප්රායෝගිකව ක්රියාත්මක කිරීම සඳහා, විශේෂයෙන් සරල රේඛීය ප්රතිගමනය සඳහා, අපට `numpy` සහ `matplotlib` පුස්තකාල ආධාරයෙන් Python ක්රමලේඛන භාෂාව භාවිතා කළ හැකිය. මෙම ක්රියාවලිය නිරූපණය කරන කේත උදාහරණයක් මෙන්න:
"`පිඹුරා
අංක ලෙස npy ලෙස ආයාත කරන්න
mattlotlib.pyplot plt ලෙස ආයාත කරන්න
සාම්පල දත්ත
x = np.අරාව([1, 2, 3, 4, 5])
y = np.array([2, 3, 5, 7, 11])
x සහ y වල සාමාන්යය
මධ්යන්ය_x = np.මධ්යන්ය(x)
මධ්යන්යය_y = np.මධ්යය(y)
පරාමිතීන් ගණනය කරන්න
ලවනය = np.sum((x – මධ්යන්ය_x) (y – මධ්යන්ය_y))
හරය = np.sum((x – මධ්යන්ය_x) 2)
b1 = ලවය / හරය
b0 = මධ්යන්ය_y – b1 මධ්යන්ය_x
පුරෝකථනය y
y_pred = b0 + b1 x
කුමන්ත්රණ ප්රතිඵල
plt.scatter(x, y, color='blue', label='නිරීක්ෂණ දත්ත')
plt.plot(x, y_pred, color='red', label='Regression Line')
plt.xලේබලය('x')
plt.ylabel('y')
plt.ලෙජන්ඩ්()
plt.show ()
මුද්රණය කරන්න(f”ප්රතිගාමී සංගුණක: b0 = {b0}, b1 = {b1}”)
""
නිගමනය
අවම වර්ග ක්රමය සංඛ්යාලේඛන සහ දත්ත විශ්ලේෂණයේ බලගතු සහ අත්යවශ්ය පදනමකි. දෝෂ අවම කිරීමට සහ ආකෘති ගැළපීම උපරිම කිරීමට එහි ඇති හැකියාව නිසා ආර්ථික විද්යාවේ සිට ඉංජිනේරු විද්යාව සහ සමාජ විද්යාව දක්වා පුළුල් පරාසයක ක්ෂේත්රවල එය අතිශයින් ප්රයෝජනවත් වේ. මූලික සංකල්පය සරල වුවද, මෙම ක්රමය රේඛීය නොවන ප්රතිගාමීත්වය, මිශ්ර-ප්රයෝග ආකෘති සහ යන්ත්ර ඉගෙනීම වැනි වඩාත් සංකීර්ණ ආකෘති දක්වා ව්යාප්ත කළ හැකිය. අවම වර්ග ක්රමය පිළිබඳ හොඳ අවබෝධයක් සහ ප්රමාණවත් පුහුණුවක් සමඟින්, අපට අපගේ දත්ත විශ්ලේෂණයේ නිරවද්යතාවය වැඩිදියුණු කර වඩාත් දැනුවත් තීරණ ගත හැකිය.
මෙම ලිපිය අවම වර්ග ක්රමය සහ එහි යෙදීම් පිළිබඳ පැහැදිලි සහ පුළුල් දළ විශ්ලේෂණයක් සපයනු ඇතැයි අපි බලාපොරොත්තු වෙමු.
