අවම වර්ග ක්රමය: ඇස්තමේන්තු කිරීම සඳහා ගණිතමය ප්රවේශයක්
පෙන්ඩහුලුවන්
අවම වර්ග ක්රමය යනු ප්රතිගාමී ආකෘතියක පරාමිතීන් ඇස්තමේන්තු කිරීම සඳහා භාවිතා කරන සංඛ්යානමය තාක්ෂණයකි, එය සත්ය අගයන් සහ ආකෘතිය මගින් පුරෝකථනය කරන ලද අගයන් අතර වර්ග දෝෂවල එකතුව අවම කිරීම මගින් සිදු කෙරේ. මෙම ක්රමය ඉතා ජනප්රිය වන අතර ආර්ථික විද්යාව, ඉංජිනේරු විද්යාව, ජීව විද්යාව සහ සමාජ විද්යාව වැනි විවිධ ක්ෂේත්රවල නිතර භාවිතා වේ. අවම වර්ග සංකල්පය මුලින්ම යෝජනා කළේ 19 වන සියවසේ මුල් භාගයේදී ඇඩ්රියන්-මාරි ලෙජන්ඩ්රේ විසින් වන අතර පසුව කාල් ෆ්රෙඩ්රික් ගවුස් විසින් තවදුරටත් සංවර්ධනය කරන ලදී.
මූලික අවබෝධය
සාමාන්යයෙන්, අවම වර්ග ක්රමය මඟින් දත්ත කට්ටලයක් සඳහා හොඳම ගැළපෙන ප්රතිගාමී රේඛාව සොයා ගැනීම අරමුණු කරයි, අවශේෂවල වර්ගවල එකතුව හෝ පුරෝකථන දෝෂ අවම කිරීමෙනි. අවශේෂය යනු නිරීක්ෂණය කරන ලද අගය සහ පුරෝකථනය කරන ලද අගය අතර වෙනසයි.
අපට නිරීක්ෂණ යුගල \((x_1, y_1), (x_2, y_2), …, (x_n, y_n)\) වලින් සමන්විත දත්ත කට්ටලයක් තිබේ නම්, අපගේ ඉලක්කය වන්නේ වර්ග දෝෂ එකතුව sum\( \sum_{i=1}^{n} (y_i – (mx_i + b))^2 \) අවම කරන \(y = mx + b\) රේඛාව සොයා ගැනීමයි.
මෙම ක්රමය සරල රේඛීය ප්රතිගමනය සහ බහු රේඛීය ප්රතිගමනය යන දෙකටම යෙදිය හැකිය. සරල රේඛීය ප්රතිගමනයේදී, අපට ඇත්තේ එක් ස්වාධීන විචල්යයක් (x) පමණක් වන අතර, බහු රේඛීය ප්රතිගමනයට එක් ස්වාධීන විචල්යයකට වඩා ඇතුළත් වේ.
සරල රේඛීය ප්රතිගමනය
සරල රේඛීය ප්රතිගමනයකින් පටන් ගනිමු. අපට \((x_1, y_1), (x_2, y_2), …, (x_n, y_n)) දත්ත කට්ටලයක් ඇතැයි සිතමු. අපට ගැලපෙන සරල රේඛීය ප්රතිගමන ආකෘතිය වන්නේ:
\[ y = mx + b + \එප්සිලන් \]
මෙහි \( m \) යනු බෑවුම වන අතර, \( b \) යනු අන්තඃඛණ්ඩය වන අතර, \( \epsilon \) යනු අහඹු දෝෂයයි.
අවම වර්ග ක්රමය භාවිතා කරමින්, වර්ග දෝෂ ශ්රිතය අවම කිරීමෙන් අපට \( m \) සහ \( b \) පරාමිතීන්ගේ ඇස්තමේන්තු සොයාගත හැකිය:
\[ S(m, b) = \sum_{i=1}^{n} (y_i – (mx_i + b))^2 \]
\( S(m, b) \) අවම කිරීම සඳහා, \( m \) සහ \( b \) ට සාපේක්ෂව \( S \) හි අර්ධ ව්යුත්පන්නයන් අපි සොයා ගනිමු, ඉන්පසු \( m \) සහ \( b \) සඳහා මෙම සමීකරණය විසඳන්න:
\[ \පෙළගස්වා ඇත}
\frac{\අර්ධ S}{\අර්ධ m} &= -2 \sum_{i=1}^{n} x_i (y_i – (mx_i + b)) = 0 \\
\frac{\අර්ධ S}{\අර්ධ b} &= -2 \sum_{i=1}^{n} (y_i – (mx_i + b)) = 0
\අවසානය{පෙළගස්වා ඇති} \]
සරල කිරීමෙන් පසු, අපට පහත සාමාන්ය සමීකරණ දෙක ලැබේ:
\[ \පෙළගස්වා ඇත}
n\තීරුව{y} &= m \sum_{i=1}^{n} x_i + nb \\
\sum_{i=1}^{n}x_i y_i &= m \sum_{i=1}^{n}x_i^2 + b \sum_{i=1}^{n}x_i
\අවසානය{පෙළගස්වා ඇති} \]
ඉහත සමීකරණ පද්ධතිය විසඳීමෙන්, වර්ග දෝෂය අවම කරන \( m \) සහ \( b \) අගයන් අපට සොයාගත හැකිය.
බහු රේඛීය ප්රතිගමනය
බහු රේඛීය ප්රතිගමනයකදී, අපට ස්වාධීන විචල්ය එකකට වඩා ඇති අවස්ථාවකට අපි මුහුණ දෙමු. අපට ටූපල් \((x_{i1}, x_{i2}, …, x_{ik}, y_i)\) ආකාරයෙන් දත්ත ඇතැයි සිතමු. අප භාවිතා කරන ප්රතිගමන ආකෘතිය වන්නේ:
\[ y = b_0 + b_1 x_1 + b_2 x_2 + … + b_k x_k + \එප්සිලන් \]
මෙම සමීකරණය න්යාස ආකාරයෙන් ලිවිය හැක:
\[ \mathbf{y} = \mathbf{X} \mathbf{b} + \mathbf{\epsilon} \]
කොහෙද:
– \( \mathbf{y} \) යනු නිරීක්ෂණය කරන ලද y අගයන්හි තීරු දෛශිකයකි.
– \( \mathbf{X} \) යනු නිරීක්ෂණය කරන ලද x අගයන්හි න්යාසයකි (අන්තරාවර්තනය සඳහා 1 තීරුව ඇතුළුව).
– \( \mathbf{b} \) යනු පරාමිතීන්ගේ තීරු දෛශිකයකි (\( b_0 \) ඇතුළුව).
අවම වර්ග ක්රමයේ අරමුණ වන්නේ පහත දැක්වෙන චතුරස්ර දෝෂ ශ්රිතය අවම කිරීමයි:
\[ S(\mathbf{b}) = (\mathbf{y} – \mathbf{Xb})^T (\mathbf{y} – \mathbf{Xb}) \]
මෙම ශ්රිතය අවම කිරීම සඳහා, අපි \( \mathbf{b} \) ට සාපේක්ෂව S හි අර්ධ ව්යුත්පන්නය ගෙන එය ශුන්යයට සකසමු. මෙය බහු රේඛීය ප්රතිගමනය සඳහා සාමාන්ය සමීකරණය ලබා දෙයි:
\[ \mathbf{X}^T \mathbf{Xb} = \mathbf{X}^T \mathbf{y} \]
ඉහත සමීකරණ පද්ධතිය විසඳීමෙන්, අපට \( \mathbf{b} \) පරාමිතියේ ඇස්තමේන්තුවක් ලබා ගත හැක:
\[ \mathbf{b} = (\mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \mathbf{y} \]
වාසි සහ සීමාවන්
අවම වර්ග ක්රමයට බොහෝ වාසි ඇත. එය භාවිතා කිරීමට ඉතා කාර්යක්ෂම හා සරල ක්රමයකි. \( \mathbf{X}^T \mathbf{X} \) ප්රතිලෝම කළ හැකි නම් එය අද්විතීය විසඳුමක් ලබා දෙන අතර එය බොහෝ ප්රායෝගික යෙදුම් සඳහා විශ්වාසදායක කරයි.
කෙසේ වෙතත්, අවම වර්ග ක්රමයට ද සීමාවන් ඇත. වර්ග දෝෂය කුඩා ඒවාට වඩා විශාල වෙනස්කම් අවධාරණය කරන බැවින් එය බාහිර ඒවාට ඉතා සංවේදී වේ. තවද, දෝෂ ශුන්ය මධ්යන්ය සහ නියත විචලනය සහිත සාමාන්ය ව්යාප්තියක් ඇති බවට සම්භාව්ය උපකල්පනය හොඳ ප්රතිඵල සඳහා සපුරාලිය යුතුය.
ප්රායෝගික යෙදුම්
දත්ත ප්රවණතා විශ්ලේෂණය, පුරෝකථනය සහ යන්ත්ර ඉගෙනීමේදී පුරෝකථන ආකෘති ගොඩනැගීම සඳහා අවම වර්ග ක්රමය නිතර භාවිතා වේ. මූල්ය කර්මාන්තයේ දී, කොටස් මිල ගණන් හෝ වෙළඳපල ක්රියාකාරිත්වය පුරෝකථනය කිරීමට අවම වර්ග ක්රමය භාවිතා කරයි. වෛද්ය විද්යාවේදී, ඖෂධ මාත්රාව සහ රෝගියාගේ ප්රතිචාරය අතර සම්බන්ධතාවය ආදර්ශනය කිරීමට එය භාවිතා කරයි. සමාජ විද්යාවන්හි, අධ්යාපනය සහ ආදායම වැනි විචල්යයන් අතර සම්බන්ධතාවය තේරුම් ගැනීමට එය උපකාරී වේ.
නිගමනය
අවම වර්ග ක්රමය සංඛ්යාලේඛන සහ දත්ත විශ්ලේෂණයේ මූලික ශිල්පීය ක්රමවලින් එකකි. සංකල්පයෙන් සරල වුවද, මෙම ක්රමය විචල්ය අතර සම්බන්ධතා ආකෘතිකරණය සහ අවබෝධ කර ගැනීමේදී සැලකිය යුතු බලයක් ලබා දෙයි. පුළුල් පරාසයක ක්ෂේත්ර හරහා පුළුල් යෙදුම් සමඟ, මෙම ක්රමය පිළිබඳ ස්ථිර අවබෝධයක් වෘත්තිකයන්ට සහ පර්යේෂකයන්ට එකසේ මිල කළ නොහැකි ය. ඉදිරියට යන විට, විශාල දත්ත යුගයේ හමු වන දත්ත පරිමාව වැඩි වීමත් සමඟ, අවම වර්ග වැනි සම්භාව්ය ක්රම අනුවර්තනය වීම සහ යෙදීම වඩ වඩාත් අදාළ වනු ඇත.
