தீர்மானக் குணகம்

தீர்மானக் கெழு: வரையறை, கணக்கீடு மற்றும் பயன்பாடு

பெண்டாஹுலுவான்

தீர்மானக் கெழு, பெரும்பாலும் \( R^2 \) எனக் குறியிடப்படுகிறது, இது தரவுப் பகுப்பாய்வில் இன்றியமையாத பங்கு வகிக்கும் ஒரு புள்ளியியல் கருத்தாகும். பயன்படுத்தப்பட்ட மாதிரியால், உற்றுநோக்கப்பட்ட தரவுகளை எவ்வளவு சிறப்பாக விளக்க முடியும் என்பதற்கான ஒரு அளவீட்டை இது வழங்குகிறது. நேரியல் பின்னடைவில் பரவலாகப் பயன்படுத்தப்பட்டாலும், புள்ளியியல் முன்கணிப்பு மற்றும் மாதிரியாக்கம் பயன்படுத்தப்படும் பல்வேறு பிற சூழல்களிலும் தீர்மானக் கெழுவிற்குப் பயன்பாடுகள் உள்ளன.

இந்தக் கட்டுரை, தீர்மானக் கெழுவின் வரையறை, அதைக் கணக்கிடும் முறை ஆகியவற்றை விளக்குவதையும், அதன் நிஜ உலகப் பயன்பாடுகளுக்கான எடுத்துக்காட்டுகளை வழங்குவதையும் நோக்கமாகக் கொண்டுள்ளது. இந்தக் கருத்தைப் புரிந்துகொள்வது, மேலும் அர்த்தமுள்ள புள்ளியியல் பகுப்பாய்வை மேற்கொள்வதற்கான நமது திறனை மேம்படுத்தும்.

தீர்மானக் குணகத்தைப் புரிந்துகொள்ளுதல்

தீர்மானக் கெழு (\( R^2 \)) என்பது 0 முதல் 1 வரையிலான ஒரு மதிப்பாகும். இது, பின்னடைவு மாதிரியில் உள்ள சார்பற்ற மாறிகளால், சார்பு மாறியின் மாறுபாட்டில் எவ்வளவு விகிதத்தை விளக்க முடியும் என்பதைக் குறிக்கிறது. \( R^2 \) இன் மதிப்பு 1-க்கு அருகில் இருந்தால், தேர்ந்தெடுக்கப்பட்ட சார்பற்ற மாறிகள், சார்பு மாறியின் மாறுபாட்டில் பெரும்பாலானவற்றை விளக்க முடிகிறது என்பதைக் குறிக்கிறது. அதேசமயம், \( R^2 \) இன் மதிப்பு 0-க்கு அருகில் இருந்தால், தரவுகளின் மாறுபாட்டை விளக்குவதில் அந்த மாதிரி போதுமானதாக இல்லை என்பதைக் குறிக்கிறது.

கணிதரீதியாக, தீர்மானக் கெழுவை பின்வரும் சூத்திரத்தின் மூலம் வெளிப்படுத்தலாம்:

\[ R^2 = 1 – \frac{SSR}{SST} \]

எங்கே:
– \( SSR \) என்பது மொத்த வர்க்கங்களின் கூட்டுத்தொகை மீதம் (மீதங்கள் அல்லது முன்கணிப்புப் பிழைகளின் வர்க்கங்களின் கூட்டுத்தொகை) ஆகும்.
– \( SST \) என்பது மொத்த வர்க்கங்களின் கூட்டுத்தொகை (சார்பு மாறியின் மொத்த வர்க்கங்களின் கூட்டுத்தொகை) ஆகும்.

தீர்மானக் குணகத்தைக் கணக்கிடுவதற்கான முறை

தீர்மானக் குணகம் எவ்வாறு கணக்கிடப்படுகிறது என்பதை நன்கு புரிந்துகொள்ள, அதன் படிநிலைகளைத் தெளிவுபடுத்துவோம்.

கணக்கீட்டு படிகள்

1. கணிக்கப்பட்ட மதிப்பை (\( \hat{y} \)) கணக்கிடுங்கள்:
இந்தக் கணிக்கப்பட்ட மதிப்பு, நாம் உருவாக்கிய பின்னடைவு மாதிரியிலிருந்து பெறப்படுகிறது. எடுத்துக்காட்டாக, பின்னடைவு மாதிரி எளிய நேரியல் மாதிரியாக இருந்தால், அதன் வடிவம் பின்வருமாறு இருக்கும்:

\[ \hat{y} = \beta_0 + \beta_1 x \]

2. மீதியை (\( e \)) கணக்கிடுங்கள்:
மீதம் என்பது உற்றுநோக்கப்பட்ட மதிப்புக்கும் (\( y \)) கணிக்கப்பட்ட மதிப்புக்கும் (\( \hat{y} \)) இடையேயான வேறுபாடு ஆகும்:

\[ e = y – \hat{y} \]

3. SSR (வர்க்க மீதங்களின் கூட்டுத்தொகை) கணக்கிடவும்:
SSR என்பது மீதங்களின் வர்க்கங்களின் கூட்டுத்தொகை ஆகும்:

\[ SSR = \sum (y – \hat{y})^2 \]

4. வர்க்கங்களின் மொத்தக் கூட்டுத்தொகையைக் (SST) கணக்கிடுங்கள்:
SST என்பது, உற்றுநோக்கப்பட்ட மதிப்புகளுக்கும் (\(y\)) அந்த உற்றுநோக்கப்பட்ட மதிப்புகளின் சராசரிக்கும் (\(\bar{y}\)) இடையேயான வேறுபாடுகளின் வர்க்கங்களின் கூட்டுத்தொகையாகும்:

\[ SST = \sum (y – \bar{y})^2 \]

5. தீர்மானக் கெழுவை (\( R^2 \)) கணக்கிடுக:
மேலே குறிப்பிடப்பட்ட சூத்திரத்தைப் பயன்படுத்தி தீர்மானக் கெழு கணக்கிடப்படுகிறது:

\[ R^2 = 1 – \frac{SSR}{SST} \]

இந்த வழிமுறைகளின் மூலம், நமது மாதிரி தரவுகளின் மாறுபாட்டை எவ்வளவு சிறப்பாக விளக்குகிறது என்பதை விவரிக்கும் \( R^2 \) என்ற மதிப்பை நாம் உருவாக்கலாம்.

\( R^2 \) இன் மதிப்பைப் புரிந்துகொள்ளுதல்

பயன்படுத்தப்படும் மாதிரியின் சூழல் மற்றும் சிக்கலான தன்மையைப் பொறுத்து \( R^2 \) இன் மதிப்பு பெரிதும் மாறுபடலாம். \( R^2 \) இன் மதிப்பை விளக்குவதற்கான சில வழிகாட்டுதல்கள் இங்கே கொடுக்கப்பட்டுள்ளன:

– \( R^2 \approx 0 \):
தரவுகளில் உள்ள மாறுபாட்டை விளக்குவதில் பின்னடைவு மாதிரி மிகவும் பின்தங்கியுள்ளது என்பதை இது சுட்டிக்காட்டுகிறது. பயன்படுத்தப்பட்ட சார்பற்ற மாறிகள், சார்பு மாறிக்குத் தொடர்பில்லாதவையாக இருக்கலாம், அல்லது காலத் தொடர் தரவுகளின் மிகவும் நிலையற்ற தன்மையே இதற்குக் காரணமாக இருக்கலாம்.

– \( 0 < R^2 < 0.3 \): இந்த மாதிரியின் விளக்கத் தரம் மிகவும் குறைவாக உள்ளது, ஆனால் மாறிகளுக்கு இடையிலான உறவைப் பற்றி இன்னும் சில தகவல்களைப் பிரித்தெடுக்க முடியும்.

- \( 0.3 \leq R^2 < 0.7 \): இந்த மதிப்பு, மாதிரி மிதமான விளக்கத் தரத்தைக் கொண்டுள்ளது என்பதைக் குறிக்கிறது. இந்த மாதிரி மிகவும் பயனுள்ளதாக இருக்கிறது, ஆனால் இன்னும் மேம்பாட்டிற்கு இடமுள்ளது. - \( 0.7 \leq R^2 < 1 \): இந்த மாதிரி உயர் விளக்கத் தரத்தைக் கொண்டுள்ளது. சார்பு மாறியின் பெரும்பாலான மாறுபாடுகள் சுயாதீன மாறிகளால் விளக்கப்படுகின்றன. - \( R^2 \approx 1 \): இது மாதிரி மிக உயர் விளக்கத் தரத்தைக் கொண்டுள்ளது என்பதைக் குறிக்கிறது. இருப்பினும், இதையும் கணக்கில் எடுத்துக்கொள்ள வேண்டும், ஏனெனில் இது மிகைப்பொருத்தத்தைக் (overfitting) குறிக்கலாம், அங்கு மாதிரி மிகவும் சிக்கலானதாகவும், இனி பொதுமைப்படுத்த முடியாததாகவும் இருக்கும். நிஜ உலகப் பயன்பாடுகள் தீர்மானக் குணகம் சமூக அறிவியல் முதல் இயற்கை அறிவியல் வரை பல்வேறு துறைகளில் பயன்படுத்தப்படுகிறது. \( R^2 \)-இன் பயன்பாடுகளுக்கான சில உறுதியான எடுத்துக்காட்டுகள் இங்கே: 1. பொருளாதாரம்: பொருளாதாரப் பகுப்பாய்வில், வருமானம், நுகர்வு மற்றும் முதலீடு போன்ற மாறிகளுக்கு இடையிலான உறவை ஒரு பொருளாதார மாதிரி எவ்வளவு சிறப்பாக விளக்க முடிகிறது என்பதை மதிப்பிடுவதற்கு தீர்மானக் குணகம் பயன்படுத்தப்படுகிறது. 2. உயிரியல் புள்ளியியல்: மருத்துவ ஆராய்ச்சியில், மருந்து அளவுக்கும் நோயாளியின் விளைவுக்கும் இடையிலான உறவின் செயல்திறனை மதிப்பிடுவதற்கு \( R^2 \) பயன்படுத்தப்படுகிறது. ஒரு நல்ல மாதிரியானது அதிக \( R^2 \) மதிப்பைக் கொண்டிருக்கும், இது நோயாளியின் விளைவில் உள்ள பெரும்பாலான மாறுபாடுகளை மருந்து அளவினால் விளக்க முடியும் என்பதைக் குறிக்கிறது. 3. சுற்றுச்சூழல் அறிவியல்: காலநிலை மாதிரியாக்கத்தில், மழைப்பொழிவு, வெப்பநிலை மற்றும் ஈரப்பதம் போன்ற காலநிலை காரணிகளுக்கு இடையிலான உறவை மதிப்பிடுவதற்கு \( R^2 \) பயன்படுத்தப்படலாம். ஒரு உயர் தீர்மானக் குணகம், பயன்படுத்தப்படும் காலநிலை மாதிரியானது காலநிலை மாறுபாட்டை விளக்குவதில் மிகவும் சிறப்பாக உள்ளது என்பதைக் குறிக்கிறது. 4. வணிகம் மற்றும் சந்தைப்படுத்தல்: சந்தைப்படுத்தல் பகுப்பாய்வில், விளம்பரச் செலவினங்களுக்கும் விற்பனைக்கும் இடையிலான உறவை ஒரு பின்னடைவு மாதிரி எவ்வளவு சிறப்பாக விவரிக்கிறது என்பதை மதிப்பிடுவதற்கு \( R^2 \) பயன்படுத்தப்படலாம். ஒரு உயர் \( R^2 \) மதிப்பு, விளம்பரச் செலவினங்கள் விற்பனையை நன்கு கணிக்கின்றன என்பதைக் குறிக்கிறது. தீர்மானக் குணகத்தின் வரம்புகள் தீர்மானக் குணகம் மிகவும் பயனுள்ள கருவியாக இருந்தாலும், கருத்தில் கொள்ள வேண்டிய பல வரம்புகளையும் இது கொண்டுள்ளது: 1. காரண காரியத்தை அளவிடுவதில்லை: ஒரு உயர் \( R^2 \) மதிப்பு, சார்பற்ற மாறி சார்பு மாறியை மாற்றக் காரணமாகிறது என்பதைக் குறிக்காது. இது இரண்டிற்கும் இடையே ஒரு நேரியல் உறவை மட்டுமே குறிக்கிறது. 2. மிகைப்பொருத்தத்திற்கு ஆட்படக்கூடியது: மிகவும் சிக்கலான ஒரு மாதிரி மிக உயர்ந்த \( R^2 \) மதிப்பைக் கொண்டிருக்கலாம், ஆனால் அது மற்ற தரவுகளுக்குப் பொதுமைப்படுத்த முடியாததாக இருக்கலாம். எனவே, குறுக்கு-சரிபார்ப்பு போன்ற இந்த மாதிரியைச் சரிபார்க்கும் முறைகளையும் கருத்தில் கொள்வது முக்கியம். 3. கணிப்பான்களின் தனிப்பட்ட தரம் பற்றிய தகவலை வழங்குவதில்லை: தீர்மானக் குணகம் ஒரு பன்மாறி மாதிரியில் உள்ள ஒவ்வொரு சார்பற்ற மாறியின் தனிப்பட்ட பங்களிப்பு பற்றிய தகவலை வழங்குவதில்லை. முடிவுரை: தீர்மானக் கெழு (\( R^2 \)) என்பது, தரவு மாறுபாட்டை விளக்குவதில் ஒரு மாதிரியின் திறனை மதிப்பிடுவதற்கான மிக முக்கியமான புள்ளிவிவரக் கருவியாகும். அது எவ்வாறு கணக்கிடப்பட்டு விளக்கப்படுகிறது என்பதைப் புரிந்துகொள்வதன் மூலம், நாம் அர்த்தமுள்ள தரவுப் பகுப்பாய்வைச் சிறப்பாகச் செய்ய முடியும். மேலும் விரிவான மற்றும் துல்லியமான முடிவுகளைப் பெறுவதற்காக, \( R^2 \)-ஐ எப்போதும் பல புள்ளிவிவரக் கருவிகளில் ஒன்றாகப் பயன்படுத்துவதும், அதன் வரம்புகளைப் புரிந்துகொள்வதும், மற்ற சரிபார்ப்பு முறைகளுடன் இணைந்து அதைப் பயன்படுத்துவதும் முக்கியம். தீர்மானக் கெழு பற்றிய இந்தக் கட்டுரை இத்துடன் நிறைவடைகிறது. உங்கள் தரவுப் பகுப்பாய்வில் இந்தக் கருத்தை நன்கு புரிந்துகொண்டு பயன்படுத்துவதற்கு இது பயனுள்ளதாக இருக்கும் என நம்புகிறோம்.