රේඛීය නොවන ප්රතිගමන ක්රමය
සංඛ්යාලේඛන සහ දත්ත විද්යාවේ ස්වාධීන විචල්ය (පුරෝකථන) සහ යැපෙන විචල්ය (ප්රතිචාර) අතර සම්බන්ධතාවය ආකෘතිකරණය කිරීම සඳහා ප්රතිගමනය වඩාත් ජනප්රිය ක්රමවලින් එකකි. බොහෝ අවස්ථාවන්හිදී, මෙම සම්බන්ධතාවය සරල රේඛාවකින් ආසන්න කළ හැකි අතර එමඟින් රේඛීය ප්රතිගමනය ප්රමාණවත් වේ. කෙසේ වෙතත්, සැබෑ ලෝකයේ, විචල්යයන් අතර සම්බන්ධතා බොහෝ විට රේඛීය රටාවක් සාදන්නේ නැත. ජනගහන වර්ධනය, ඖෂධ ප්රතිසාධන අනුපාත, ඉල්ලුම වක්ර, ද්රව්ය පිරිහීම සහ නිශ්චිත මාත්රාවලට ජීව විද්යාත්මක ප්රතිචාර පවා බොහෝ විට වක්ර, අසමමිතික හෝ ඝාතීය රටා ප්රදර්ශනය කරයි. එවැනි අවස්ථාවන්හිදී, රේඛීය නොවන ප්රතිගමන ක්රම වඩාත් සුදුසු ප්රවේශයක් වන්නේ සම්බන්ධතාවයේ වඩාත් සංකීර්ණ ස්වභාවය ග්රහණය කර ගැනීමට ඒවාට හැකි බැවිනි.
රේඛීය නොවන ප්රතිගමනය අවබෝධ කර ගැනීම
රේඛීය නොවන ප්රතිගමනය යනු ඇස්තමේන්තු කළ යුතු පරාමිතීන් සම්බන්ධයෙන් රේඛීය නොවන ශ්රිත භාවිතා කරමින් අනාවැකිකරු සහ ප්රතිචාර විචල්යයන් අතර සම්බන්ධතාවය විස්තර කරන ආකෘතිකරණ තාක්ෂණයකි. පරාමිතීන් තුළ රේඛීය ආකෘතියක් ඇති රේඛීය ප්රතිගමනය මෙන් නොව (උදා: \( y = \beta_0 + \beta_1 x \)), රේඛීය නොවන ප්රතිගමනයට පරාමිතීන් රේඛීය නොවන ආකාරයකින් සම්බන්ධ වන ආකෘතියක් ඇත, උදාහරණයක් ලෙස:
\[
y = \ඇල්ෆා e^{\බීටා x}
\]
මෙම ආකෘතියේ, \(\beta\) පරාමිතිය ඝාතකය තුළ ඇති බැවින් එය සාමාන්ය රේඛීය ආකෘතියක් ලෙස සැලකිය නොහැක. කෙසේ වෙතත්, ප්රධාන ඉලක්කය එලෙසම පවතී: ආකෘතියේ පුරෝකථනය කරන ලද අගයන් සහ සත්ය දත්ත අතර වෙනස අවම කරන පරාමිතීන් සොයා ගැනීම, සාමාන්යයෙන් අවම වර්ග ප්රවේශයක් භාවිතා කරයි.
රේඛීය නොවන ප්රතිගමනය අවශ්ය වන්නේ කවදාද?
රේඛීය නොවන ප්රතිගමනය භාවිතා කරනු ලබන්නේ:
1. රටාව පැහැදිලිවම වක්ර වී ඇති අතර සරල රේඛා හෝ සරල පරිවර්තනයන් මගින් පැහැදිලි කළ නොහැක.
2. ඉහළ/පහළ සීමාවන් තිබේ (උදා: වර්ධන වේගය උපරිම ධාරිතාවයට ළඟා වේ).
3. මෙම ක්රියාවලිය විකිරණශීලී ක්ෂය වීම, රසායනික ප්රතික්රියා චාලක විද්යාව හෝ මාත්රා ප්රතිචාර වක්ර වැනි ඇතැම් ස්වාභාවික නීති අනුගමනය කරයි.
4. න්යායික ආකෘති දැනටමත් දන්නා කරුණකි, උදාහරණයක් ලෙස ලොජිස්ටික්, ගොම්පර්ට්ස්, මයිකල්-මෙන්ටන් හෝ වයිබුල් ආකෘති.
උදාහරණයක් ලෙස, ජෛව රසායන විද්යාවේදී, උපස්ථර සාන්ද්රණය සහ එන්සයිම ප්රතික්රියා අනුපාතය අතර සම්බන්ධතාවය විස්තර කිරීමට මයිකලිස්-මෙන්ටන් ආකෘතිය බොහෝ විට භාවිතා වේ. මෙම ආකෘතිය රේඛීය ආකෘතියක් පැනවීමට වඩා රේඛීය නොවන අතර විද්යාත්මකව අර්ථවත් වේ.
රේඛීය නොවන ප්රතිගාමී ආකෘතිවල පොදු ආකාර
නිතර භාවිතා වන රේඛීය නොවන ශ්රිතවල සමහර ආකාර අතරට:
1. ඝාතීය ආකෘතිය
වේගවත් වර්ධනය/පරිහානිය සඳහා සුදුසු:
\[
y = \ඇල්ෆා e^{\බීටා x}
\]
2. සැපයුම් ආකෘතිය
ධාරිතා සීමාවන් ඇති ජනගහන වර්ධනය සඳහා බොහෝ විට භාවිතා වේ:
\[
y = \frac{L}{1 + e^{-k(x-x_0)}}
\]
මෙහි \(L\) යනු උපරිම සීමාවයි.
3. ගොම්පර්ට්ස් ආකෘතිය
ජීව විද්යාවේ සහ ජීවීන්ගේ වර්ධනයේ බහුලව දක්නට ලැබෙන:
\[
y = L \exp(-e^{-k(x-x_0)})
\]
4. බල ආකෘතිය (ශ්රේණිය)
ආර්ථික විද්යාව හා ඉංජිනේරු විද්යාවේ බහුලව භාවිතා වේ:
\[
y = \ඇල්ෆා x^\බීටා
\]
5. මයිකලිස්-මෙන්ටන් ආකෘතිය
එන්සයිම විද්යාවේදී:
\[
y = \frac{V_{උපරිම} x}{K_m + x}
\]
6. බහුපද ආකෘතිය
ගණිතමය වශයෙන් බහුපද පරාමිතීන්හි රේඛීය ලෙස සැලකිය හැකි නමුත්, බොහෝ විට වක්රතාවය ග්රහණය කර ගැනීමට භාවිතා කරයි:
\[
y = \beta_0 + \beta_1 x + \beta_2 x^2
\]
එහි වක්ර හැඩය තිබියදීත්, මෙම ආකෘතිය පරාමිතීන් අනුව රේඛීය ප්රතිගාමී ආකෘතියක් ලෙස සැලකේ. කෙසේ වෙතත්, ප්රායෝගිකව, එය වක්රයක් නිපදවන බැවින් එය බොහෝ විට "රේඛීය නොවන විකල්පයක්" ලෙස භාවිතා කරයි.
පරාමිති ඇස්තමේන්තුව: ප්රධාන අභියෝගයක්
රේඛීය නොවන ප්රතිගමනය සහ රේඛීය නොවන ප්රතිගමනය අතර ඇති විශාලතම වෙනස පරාමිති ඇස්තමේන්තු කිරීමේ ක්රමය තුළ පවතී. රේඛීය ප්රතිගමනයේදී, පරාමිති ඇස්තමේන්තු සෘජුවම න්යාස සූත්ර (සංවෘත ආකාරයේ විසඳුම) භාවිතයෙන් ලබා ගත හැක. රේඛීය නොවන ප්රතිගමනයේදී, සාමාන්යයෙන් සරල විශ්ලේෂණාත්මක විසඳුමක් නොමැත, එබැවින් පුනරාවර්තන ක්රම අවශ්ය වේ.
බහුලව භාවිතා වන ඇස්තමේන්තු ක්රමය වන්නේ රේඛීය නොවන අවම චතුරස්ර (NLS) වන අතර එය අවම කරන පරාමිතීන් සොයා ගැනීමයි:
\[
SSE = \sum_{i=1}^{n} (y_i – f(x_i, \theta))^2
\]
මෙහි \(\theta\) යනු පරාමිති දෛශිකයකි. අවම කිරීමේ ක්රියාවලිය පුනරාවර්තන ඇල්ගොරිතමයක් භාවිතයෙන් සිදු කෙරේ, උදාහරණයක් ලෙස:
– ගෝස්–නිව්ටන්
– ලෙවන්බර්ග්-මාර්කාර්ඩ්
– අනුක්රමික සම්භවය
– නිව්ටන්–රැෆ්සන්
මෙම ඇල්ගොරිතම අතර, ලෙවන්බර්ග්-මාර්කාර්ඩ් ඉතා ජනප්රිය වන්නේ එය සාපේක්ෂව ස්ථායී බැවිනි: එය ගෝස්-නිව්ටන්ගේ වේගය අනුක්රමණය මත පදනම් වූ ප්රවේශයන්ගේ ස්ථායිතාව සමඟ ඒකාබද්ධ කරයි.
මූලික අනුමානයේ කාර්යභාරය
රේඛීය නොවන ප්රතිගමනයේ එක් වැදගත් අංගයක් වන්නේ ආරම්භක පරාමිති අනුමාන සඳහා අවශ්යතාවයයි. පුනරාවර්තන ඇල්ගොරිතමය ආරම්භක ලක්ෂ්යයේ සිට ප්රශස්ත අගය දක්වා පරාමිතීන් යාවත්කාලීන කරනු ඇත. ආරම්භක අගය විසඳුමෙන් බොහෝ දුරස් නම්, ක්රියාවලියට:
– අභිසාරී වීමට අසමත් විය,
– දේශීය අවම මට්ටමක සිරවී,
- අසාධාරණ ඇස්තමේන්තු ඉදිරිපත් කරන්න.
එමනිසා, වසම් දැනුම ඉතා ප්රයෝජනවත් වේ. සමහර විට ආරම්භක අගයන් දත්ත ප්රස්ථාරවලින්, සාහිත්යයෙන් හෝ තාවකාලික රේඛීය පරිවර්තනයන් හරහා පරාමිතීන් ආසන්න වශයෙන් ලබා ගත හැකිය.
ආදර්ශ තත්ත්ව ඇගයීම
ආකෘතියක් ලබා ගත් පසු, ඊළඟ පියවර වන්නේ එහි යෝග්යතාවය සහ උපයෝගීතාව තක්සේරු කිරීමයි. සමහර ඇගයීම් ප්රවේශයන්ට ඇතුළත් වන්නේ:
1. අවශේෂ විශ්ලේෂණය
අවශේෂ යනු සත්ය සහ පුරෝකථනය කරන ලද දත්ත අතර වෙනසයි. හොඳ අවශේෂ අහඹු වන අතර කිසිදු විශේෂිත රටාවක් සාදන්නේ නැත. අවශේෂ ක්රමානුකූල රටාවක් සාදන්නේ නම්, ආකෘතිය වැරදි ලෙස නිශ්චිත කළ හැකිය.
2. නිර්ණය කිරීමේ සංගුණකය (R²)
R² භාවිතා කළ හැකි නමුත්, රේඛීය නොවන ආකෘතිවල එහි අර්ථ නිරූපණය සෑම විටම රේඛීය ප්රතිගමනය තරම් පැහැදිලි නොවන බැවින් ප්රවේශම් විය යුතුය.
3. AIC සහ BIC
අකායික් තොරතුරු නිර්ණායකය (AIC) සහ බේසියානු තොරතුරු නිර්ණායකය (BIC) වැනි තොරතුරු නිර්ණායක සංකීර්ණත්වය සැලකිල්ලට ගනිමින් බහු ආකෘති සංසන්දනය කිරීමට උපකාරී වේ.
4. හරස් වලංගුකරණය
ආකෘතියේ සාමාන්යකරණය කිරීමේ හැකියාව මැනීම සඳහා දත්ත පුහුණු සහ පරීක්ෂණ දත්ත ලෙස බෙදා ඇත. ආකෘතිය පුහුණු දත්ත වලට "ගැලපෙන" නොවන පරිදි මෙය වැදගත් වේ.
රේඛීය නොවන ප්රතිගමනයේ වාසි සහ අවාසි
අතිරික්තය:
– සැබෑ සංසිද්ධි ආදර්ශනය කිරීමට වඩාත් නම්යශීලී වීම.
- ක්රියාවලියට පාදක වන විද්යාත්මක න්යාය අනුගමනය කළ හැකිය.
– අසමමිතික, ඝාතීය, සන්තෘප්තිය හෝ සීමිත වර්ධන රටා ග්රහණය කර ගැනීමේ හැකියාව.
හිඟය:
- වැඩිපුර පුනරාවර්තන සහ ගණනය කිරීම් අවශ්ය වේ.
– පරාමිතියේ ආරම්භක අගය මත දැඩි ලෙස රඳා පවතී.
- ආකෘතිය ඉතා සංකීර්ණ නම් අධික ලෙස සවි කිරීමේ අවදානම.
– ආකෘතිය තෝරා ගන්නේ න්යායට නොව දත්ත වලට ගැළපෙන පදනම මත නම්, පරාමිති අර්ථ නිරූපණය සමහර විට වඩාත් අපහසු වේ.
විවිධ ක්ෂේත්රවල යෙදුම් සඳහා උදාහරණ
1. සෞඛ්යය සහ ඖෂධවේදය: සංතෘප්තිය හෝ සැපයුම් වක්ර ඇතුළුව ශරීරයේ ප්රතිචාරය සමඟ මාත්රාව-ඖෂධ සම්බන්ධතාවය ආකෘතිකරණය කිරීම.
2. පරිසර විද්යාව: පාරිසරික රැගෙන යා හැකි ධාරිතාවේ සීමාවන් තුළ ජනගහන වර්ධනය.
3. ඉංජිනේරු විද්යාව: රේඛීය නොවන ද්රව්යවල ආතති-වික්රියා සම්බන්ධතා.
4. ආර්ථික විද්යාව: බොහෝ විට ඝාතීය හෝ ලඝුගණක ආකාරයෙන් පවතින ඉල්ලුම හෝ නිෂ්පාදන ශ්රිත.
5. රසායන විද්යාව: ප්රතික්රියා චාලක විද්යාව, ක්ෂය වීම සහ අවශෝෂණ ක්රියාවලීන්.
වසා දැමීම
විචල්යයන් අතර සම්බන්ධතාවය සරල රේඛාවකින් පැහැදිලි කළ නොහැකි විට රේඛීය නොවන ප්රතිගාමී ක්රම අත්යවශ්ය මෙවලම් වේ. න්යාය සහ දත්ත ගවේෂණය යන දෙකම මත පදනම්ව සුදුසු ආකෘති ආකාරයක් තෝරා ගැනීමෙන් සහ සුදුසු ඇස්තමේන්තු ඇල්ගොරිතමයක් භාවිතා කිරීමෙන්, රේඛීය නොවන ප්රතිගාමීත්වය සංකීර්ණ සංසිද්ධි පිළිබඳ වඩාත් නිවැරදි අවබෝධයක් ලබා දිය හැකිය. ආරම්භක අගයන් සඳහා අවශ්යතාවය සහ අභිසාරී වීමේ අවදානම වැනි අභියෝග තිබියදීත්, මෙම ප්රවේශය පුළුල් පරාසයක විෂයයන් හරහා ඉතා ප්රයෝජනවත් වේ. අවසාන වශයෙන්, රේඛීය නොවන ප්රතිගාමීත්වයේ සාර්ථකත්වය රඳා පවතින්නේ ඇල්ගොරිතමයේ සංකීර්ණත්වය මත පමණක් නොව, ශබ්ද ආකෘති තේරීම, ප්රවේශමෙන් ඇගයීම සහ ගැටළු සන්දර්භය සමඟ පෙළගැසෙන අර්ථ නිරූපණය මත ය.
