අවම චතුරස්ර ක්රමය: පුළුල් විශ්ලේෂණයක්
අවම චතුරස්ර ක්රමය සංඛ්යානමය ප්රතිගාමී විශ්ලේෂණයේ මූලිකම ශිල්පීය ක්රමවලින් එකක් වන අතර එය දත්ත ගැළපීම, ආකෘති නිර්මාණය සහ පුරෝකථන විශ්ලේෂණයේ තීරණාත්මක කාර්යභාරයක් ඉටු කරයි. එය නිරීක්ෂණය කරන ලද සහ පුරෝකථනය කරන ලද අගයන් අතර වෙනස්කම්වල වර්ගවල එකතුව අවම කරන ගණිතමය ප්රවේශයකි. එසේ කිරීමෙන්, එය ලබා දී ඇති දත්ත ලක්ෂ්ය සමූහයකට වඩාත් ගැලපෙන රේඛාව හෝ වක්රය සපයයි. මෙම ලිපියෙන්, අවම චතුරස්ර ක්රමයේ පදනම්, යෙදුම්, ව්යුත්පන්න සහ සීමාවන් අපි ගවේෂණය කරන්නෙමු.
Background තිහාසික පසුබිම
අවම චතුරස්ර ක්රමය ප්රථම වරට හඳුන්වා දුන්නේ 1795 දී වයස අවුරුදු 18 දී කාල් ෆ්රෙඩ්රික් ගවුස් විසිනි, නමුත් එය 1809 වන තෙක් ප්රකාශයට පත් කර නොතිබුණි. තවත් කැපී පෙනෙන ගණිතඥයෙකු වන ඇඩ්රියන්-මාරි ලෙජන්ඩ්රේ 1805 දී ස්වාධීනව සමාන ක්රමයක් සංවර්ධනය කර ප්රකාශයට පත් කළේය. එසේ තිබියදීත්, ගවුස්ගේ අංකනය සහ ක්රමයේ ප්රසාරණය නූතන භාවිතය සඳහා අඩිතාලම දැමීය.
ගණිත පදනම
එහි සරලම ආකාරයෙන්, අවම වර්ග ක්රමය භාවිතා කරනුයේ රේඛීය ආකෘතියක් දත්ත ලක්ෂ්ය සමූහයකට ගැලපීම සඳහා ය. `n` දත්ත ලක්ෂ්ය \((x_1, y_1), (x_2, y_2), …, (x_n, y_n)\) කට්ටලයක් ලබා දී ඇති විට, ඉලක්කය වන්නේ නිරීක්ෂණය කරන ලද අගයන් \(y_i\) සහ රේඛාව මගින් පුරෝකථනය කරන ලද අගයන් අතර සිරස් දුර (අවශේෂ) වල වර්ගවල එකතුව අවම කරන \(y = mx + c\) රේඛාවක් සොයා ගැනීමයි.
ගණිතමය වශයෙන්, මෙම අරමුණ පහත පරිදි නිරූපණය කළ හැකිය:
\[ S = \sum_{i=1}^{n} (y_i – \hat{y}_i)^2 = \sum_{i=1}^{n} (y_i – (mx_i + c))^2 \]
මෙම සමීකරණය අවශේෂවල වර්ගවල එකතුව, \(S\) නියෝජනය කරන අතර, අපගේ ඉලක්කය වන්නේ \(S\) අවම කරන \(m\) (බෑවුම) සහ \(c\) (අන්තරාවර්තනය) අගයන් සොයා ගැනීමයි.
ව්යුත්පන්නය
වර්ග \(S\) හි එකතුව අවම කරන \(m\) සහ \(c\) හි අගයන් සොයා ගැනීමට, අපි \(m\) සහ \(c\) ට සාපේක්ෂව \(S\) හි අර්ධ ව්යුත්පන්න ගෙන ඒවා ශුන්යයට සකසමු.
1. \(m\) ට අදාළව අර්ධ ව්යුත්පන්න:
\[ \frac{\අර්ධ S}{\අර්ධ m} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-x_i) = 0 \]
2. \(c\) ට අදාළව අර්ධ ව්යුත්පන්න:
\[ \frac{\අර්ධ S}{\අර්ධ c} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-1) = 0 \]
මෙම සමගාමී සමීකරණ විසඳීමෙන් සාමාන්ය සමීකරණ ලැබේ:
\[ m = \frac{n(\එකතුව x_i y_i) – (\එකතුව x_i)(\එකතුව y_i)}{n (\එකතුව x_i^2) – (\එකතුව x_i)^2} \]
\[ c = \frac{(\එකතුව y_i)(\එකතුව x_i^2) – (\එකතුව x_i)(\එකතුව x_i y_i)}{n(\එකතුව x_i^2) – (\එකතුව x_i)^2} \]
මෙම සමීකරණ අපට \(m\) සහ \(c\) අගයන් ලබා දෙන අතර එමඟින් වර්ග කළ අවශේෂවල එකතුව අවම වේ.
අයදුම්පත්
Least Squares ක්රමයට විවිධ වසම් හරහා පුළුල් පරාසයක යෙදුම් ඇත:
1. ආර්ථික විද්යාව සහ මූල්ය: දළ දේශීය නිෂ්පාදිතය, උද්ධමන අනුපාත සහ කොටස් මිල වැනි ආර්ථික දර්ශක ආකෘතිකරණය කිරීමට සහ පුරෝකථනය කිරීමට භාවිතා කරයි.
2. ඉංජිනේරු විද්යාව: ආනුභවික දත්ත වලට ආකෘති ගැලපීම සඳහා සංඥා සැකසුම්, පාලන පද්ධති සහ විශ්වසනීයත්ව පරීක්ෂණ සඳහා යොදනු ලැබේ.
3. වෛද්ය විද්යාව: වර්ධන වක්ර, මාත්රා-ප්රතිචාර වක්ර සහ අනෙකුත් ජීව විද්යාත්මක ක්රියාවලීන් පර්යේෂණාත්මක දත්ත වලට ගැලපීමට උපකාරී වේ.
4. යන්ත්ර ඉගෙනීම: පරාමිති ඇස්තමේන්තු කිරීම සඳහා බොහෝ විට අවම වර්ග ක්රමය භාවිතා කරන රේඛීය ප්රතිගාමී ආකෘති, අධීක්ෂණය කරන ලද ඉගෙනුම් ශිල්පීය ක්රමවල මූලික වේ.
5. තාරකා විද්යාව: ඓතිහාසිකව ගවුස් විසින් ආකාශ වස්තූන්ගේ කක්ෂ ගණනය කිරීමට භාවිතා කරන ලදී.
වෙනස්කම් සහ දිගු
1. බර තැබූ අවම වර්ග: නිරීක්ෂණ විවිධ විචලනයන් ඇති අවස්ථාවන්හිදී, බර තැබූ අවම වර්ග, වර්ගවල බර තැබූ එකතුව අවම කරමින්, එක් එක් දත්ත ලක්ෂ්යයට බර පවරයි.
2. රේඛීය නොවන අවම වර්ග: බොහෝ විට ගෝස්-නිව්ටන් හෝ ලෙවන්බර්ග්-මාර්කාර්ඩ් ඇල්ගොරිතම වැනි පුනරාවර්තන ශිල්පීය ක්රම හරහා රේඛීය නොවන ආකෘතිවලට ගැලපෙන පරිදි ක්රමය පුළුල් කරයි.
3. නිත්යකරණය කරන ලද අවම චතුරස්ර (රිජ් ප්රතිගමනය): අධික ලෙස සවි කිරීම වැළැක්වීම සඳහා වර්ගවල එකතුවට දඬුවම් පදයක් එක් කරයි, විශේෂයෙන් බහු-රේඛීයතාව සමඟ කටයුතු කිරීමේදී ප්රයෝජනවත් වේ.
4. සාමාන්යකරණය කළ අවම වර්ග: සහසම්බන්ධිත නිරීක්ෂණ සඳහා ගිණුම්, ස්වයංක්රීය සහසම්බන්ධිත සහ විෂම වර්ග දෝෂ හැසිරවීම සඳහා අවම වර්ග ක්රමය දීර්ඝ කිරීම.
පරිගණක මෙවලම්
විවිධ මෘදුකාංග මෙවලම් සහ ක්රමලේඛන පරිසරයන් අවම වර්ග ප්රතිගමනය සිදු කිරීම සඳහා බිල්ට්-ඉන් ශ්රිත ලබා දෙයි:
1. Python: NumPy සහ SciPy වැනි පුස්තකාල රේඛීය සහ රේඛීය නොවන අවම වර්ග සවි කිරීම් සඳහා පිළිවෙලින් `numpy.linalg.lstsq` සහ `scipy.optimize.curve_fit` ශ්රිත සපයයි.
2. R: R හි විස්තීර්ණ සංඛ්යානමය පරිසරය තුළ රේඛීය ආකෘති සඳහා `lm()` සහ රේඛීය නොවන ආකෘති සඳහා `nls()` වැනි ශ්රිත.
3. MATLAB: MATLAB හි `lsqcurvefit` ශ්රිතය රේඛීය නොවන සවි කිරීම් සඳහා භාවිතා කරන අතර රේඛීය වීජ ගණිත මෙහෙයුම් සඳහා බිල්ට්-ඉන් සහය දක්වයි.
සීමාවන්
පුළුල් ලෙස අදාළ වුවද, Least Squares ක්රමයට සීමාවන් ඇත:
1. Outliers වලට සංවේදීතාව: වර්ග කළ පදය විශාල අවශේෂවල බලපෑම වැඩි කරන බැවින්, Least Squares, Outliers වලට ඉතා සංවේදී වේ.
2. රේඛීයතාව පිළිබඳ උපකල්පනය: විචල්යයන් අතර රේඛීය සම්බන්ධතාවයක් උපකල්පනය කරයි, එය සංකීර්ණ දත්ත කට්ටල සඳහා සත්ය නොවිය හැකිය.
3. බහු සහසම්බන්ධතා ගැටළු: බහු රේඛීය ප්රතිගමනයේදී, පුරෝකථන විචල්ය අතර බහු සහසම්බන්ධතා මගින් සංගුණක ඇස්තමේන්තුව විකෘති කළ හැකිය.
4. විචල්යතාවයේ සමජාතීයතාවය (සමජාතීයතාවය): නිරීක්ෂණ හරහා දෝෂ පදවල විචලනය නියත බව උපකල්පනය කරයි, එය සැමවිටම එසේ නොවිය හැකිය.
නිගමනය
Least Squares ක්රමය, එහි පැරණි බව නොතකා, සංඛ්යානමය දත්ත විශ්ලේෂණයේ සහ ආකෘති නිර්මාණයේ මූලික ගලක් ලෙස පවතී. එහි සරල බව, කාර්යක්ෂමතාව සහ මූලික රේඛීය ප්රතිගාමීත්වයේ සිට සංකීර්ණ රේඛීය නොවන සහ සාමාන්යකරණය කළ ආකෘති දක්වා විවිධ ආකාරවලට අනුවර්තනය වීමේ හැකියාව එය අනර්ඝ කරයි. දත්ත විශ්ලේෂණයට සම්බන්ධ ඕනෑම අයෙකුට එහි ගණිතමය පදනම්, යෙදුම් සහ සීමාවන් අවබෝධ කර ගැනීම අත්යවශ්ය වන අතර, අර්ථවත් අවබෝධයක් ලබා ගැනීම සඳහා ක්රමය සුදුසු පරිදි යොදන බව සහතික කරයි. ශාස්ත්රීය ක්ෂේත්රයේ හෝ කර්මාන්තයේ වේවා, Least Squares ක්රමය දත්ත තුළ ඇති සම්බන්ධතා තේරුම් ගැනීමට සහ දැනුවත් අනාවැකි පළ කිරීමට ශක්තිමත් මෙවලමක් ලෙස දිගටම පවතී.
