குறைந்தபட்ச வர்க்க முறை

மீச்சிறு வர்க்க முறை: தரவுப் பகுப்பாய்வில் அறிமுகமும் பயன்பாடும்

பெண்டாஹுலுவான்

மீச்சிறு வர்க்க முறை என்பது தரவுப் பகுப்பாய்வில், குறிப்பாகப் புள்ளியியல் மற்றும் பயன்பாட்டுக் கணிதத்தில், மிகவும் அடிப்படையான மற்றும் பரவலாகப் பயன்படுத்தப்படும் நுட்பங்களில் ஒன்றாகும். முன்மொழியப்பட்ட ஒரு மாதிரியிலிருந்து காணப்பட்ட விலகல்களின் வர்க்கங்களின் கூட்டுத்தொகையைக் குறைக்கும் அளவுருக்களை மதிப்பிடுவதே இந்த முறையின் நோக்கமாகும். இந்தக் கட்டுரையில், மீச்சிறு வர்க்க முறையின் அடிப்படைக் கருத்துக்கள், பல்வேறு துறைகளில் அதன் பயன்பாடுகள் மற்றும் அதைச் செயல்படுத்துவதற்கான நடைமுறை வழிமுறைகள் ஆகியவற்றை நாம் ஆராய்வோம்.

குறைந்தபட்ச வர்க்க முறையின் அடிப்படைக் கருத்துக்கள்

மீச்சிறு வர்க்கங்கள் முறையை நேரியல் பின்னடைவு மூலம் எளிமையாக விளக்கலாம். நம்மிடம் \((x_i, y_i)\) என்ற ஜோடிகளின் வடிவில் தரவுகள் இருப்பதாக வைத்துக்கொள்வோம், இங்கு \( i = 1, 2, …, n \). நாம் உருவாக்க விரும்பும் நேரியல் மாதிரியைப் பின்வருமாறு வெளிப்படுத்தலாம்:
\[ y = \beta_0 + \beta_1 x + \epsilon \]
இதில் \( \beta_0 \) மற்றும் \( \beta_1 \) என்பவை நாம் மதிப்பிட விரும்பும் அளவுருக்கள் ஆகும், அதே சமயம் \( \epsilon \) என்பது சராசரி பூஜ்ஜியமாக இருக்கும் என எதிர்பார்க்கப்படும் பிழை அல்லது மீதம் ஆகும்.

மீச்சிறு வர்க்க முறையின் குறிக்கோள், பின்வரும் குறிக்கோள் சார்பை சிறுமப்படுத்துவதே ஆகும்:
\[ S(\beta_0, \beta_1) = \sum_{i=1}^{n} (y_i – \beta_0 – \beta_1 x_i)^2 \]

உகந்த அளவுருக்களைக் கண்டறிதல்: ஒரு கணித அணுகுமுறை

குறிக்கோள் சார்பு \( S \)-ஐ சிறுமமாக்கும் அளவுரு மதிப்புகளைக் கண்டறிய, நாம் \( S \)-இன் பகுதி வகைக்கெழுக்களை \( \beta_0 \) மற்றும் \( \beta_1 \)-ஐப் பொறுத்துக் கணக்கிட்டு, பின்னர் பின்வரும் சமன்பாட்டைத் தீர்க்க வேண்டும்:

\[ \frac{\partial S}{\partial \beta_0} = -2 \sum_{i=1}^n (y_i – \beta_0 – \beta_1 x_i) = 0 \]
\[ \frac{\partial S}{\partial \beta_1} = -2 \sum_{i=1}^n x_i (y_i – \beta_0 – \beta_1 x_i) = 0 \]

இந்த நேரியல் சமன்பாடுகளின் அமைப்பைத் தீர்ப்பதன் மூலம், நாம் மதிப்பீட்டாளர்களான \(\hat{\beta_0}\) மற்றும் \(\hat{\beta_1}\) ஆகியவற்றைக் கண்டறியலாம்:
\[ \hat{\beta_1} = \frac{n \sum_{i=1}^n x_i y_i – \sum_{i=1}^n x_i \sum_{i=1}^n y_i}{n \sum_{i=1}^n x_i^2 – (\sum_{i=1}^n x_i)^2} \]
\[ \hat{\beta_0} = \bar{y} – \hat{\beta_1} \bar{x} \]

இதில் \(\bar{y}\) மற்றும் \(\bar{x}\) என்பன முறையே \(y\) மற்றும் \(x\) ஆகியவற்றின் சராசரிகள் ஆகும்.

குறைந்த வர்க்க முறையின் பயன்பாடு

1. பொருளாதாரம் மற்றும் நிதி

பொருளாதார மாறிகளுக்கு இடையிலான உறவுகளை மாதிரியாக்க, பொருளியல் அளவியலில் மீச்சிறு வர்க்கங்களின் முறை பரவலாகப் பயன்படுத்தப்படுகிறது. எடுத்துக்காட்டாக, ஒரு பொருளாதார ஆய்வாளர் வேலையின்மை விகிதம் பணவீக்கத்தில் ஏற்படுத்தும் விளைவை மாதிரியாக்க விரும்பலாம். மீச்சிறு வர்க்கங்களின் முறையைப் பயன்படுத்தி, அந்த ஆய்வாளர் இரண்டு மாறிகளையும் தொடர்புபடுத்தும் ஒரு பின்னடைவு மாதிரியை உருவாக்கி, அந்த உறவின் வலிமை மற்றும் தன்மை குறித்து புள்ளிவிவர அனுமானங்களைச் செய்ய முடியும்.

2. சமூக அறிவியல்

சமூக அறிவியலில், மனித நடத்தைக்கும் பிற மாறிகளுக்கும் இடையிலான உறவை ஆராய்வதற்காக, கணக்கெடுப்புகளிலும் உளவியல் ஆய்வுகளிலும் மீச்சிறு வர்க்கங்களின் முறை பெரும்பாலும் பயன்படுத்தப்படுகிறது. ஒரு தனிநபரின் மகிழ்ச்சி அளவை அவரது ஆண்டு வருமானத்துடன் தொடர்புபடுத்தும் எளிய நேரியல் பின்னடைவு இதற்கு ஒரு சிறந்த எடுத்துக்காட்டாகும்.

3. பொறியியல்

பொறியியலில், கருவி அளவுத்திருத்தம் மற்றும் சிக்னல் செயலாக்கத்திற்காக மீச்சிறு வர்க்க முறையைப் பயன்படுத்தலாம். எடுத்துக்காட்டாக, டிஜிட்டல் படச் செயலாக்கத்தில், உற்றுநோக்கப்பட்ட தரவுகளின் அடிப்படையில் ஒரு மாதிரியைப் பொருத்துவதன் மூலம் படங்களில் உள்ள இரைச்சலைக் குறைக்க இந்த முறை பயன்படுத்தப்படுகிறது.

4. வானிலையியல் மற்றும் காலநிலையியல்

வானிலை ஆய்வாளர்கள் வெப்பநிலை, மழைப்பொழிவு அல்லது பிற வானிலை மாறிகள் தொடர்பான தரவுகளைப் பகுப்பாய்வு செய்ய இந்த முறையைப் பயன்படுத்துகின்றனர். பின்னடைவு மாதிரிகள் மூலம், அவர்களால் வரலாற்றுத் தரவுகளின் அடிப்படையில் வானிலை வடிவங்களைக் கணிக்க முடிகிறது, இது மேலும் துல்லியமான முன்னறிவிப்புகளை உருவாக்க உதவுகிறது.

பைத்தானுடன் நடைமுறைச் செயலாக்கம்

நடைமுறையில் மீச்சிறு வர்க்க முறையை, குறிப்பாக எளிய நேரியல் பின்னடைவை, செயல்படுத்துவதற்கு, நாம் `numpy` மற்றும் `matplotlib` நூலகங்களின் உதவியுடன் பைதான் நிரலாக்க மொழியைப் பயன்படுத்தலாம். இந்தச் செயல்முறையை விளக்கும் ஒரு நிரல் உதாரணம் இதோ:

"` மலைப்பாம்பு
எண்ணை np ஆக இறக்குமதி செய்க
matplotlib.pyplot ஐ plt ஆக இறக்குமதி செய்யவும்

மாதிரி தரவு
x = np.வரிசை([1, 2, 3, 4, 5])
y = np.array([2, 3, 5, 7, 11])

x மற்றும் y-இன் சராசரி
சராசரி_x = np.சராசரி(x)
சராசரி_y = np.சராசரி(y)

அளவுருக்களைக் கணக்கிடுங்கள்
தொகுதி = np.sum((x – mean_x) (y – mean_y))
பகுதி = np.sum((x – mean_x) 2)
b1 = தொகுதி / பகுதி
b0 = சராசரி_y – b1 சராசரி_x

கணிப்பு y
y_pred = b0 + b1 x

வரைபட முடிவுகள்
plt.scatter(x, y, color='blue', label='கண்காணிப்புத் தரவு')
plt.plot(x, y_pred, color='red', label='பின்னடைவுக் கோடு')
plt.xlabel('x')
plt.ylabel('y')
plt.legend() () (புராணக்கதை)
plt.show ()

print(f”பின்னடைவுக் கெழுக்கள்: b0 = {b0}, b1 = {b1}”)
"`

முடிவுரை

மீச்சிறு வர்க்கங்களின் முறை என்பது புள்ளியியல் மற்றும் தரவுப் பகுப்பாய்வில் ஒரு சக்திவாய்ந்த மற்றும் இன்றியமையாத அடித்தளமாகும். பிழைகளைக் குறைத்து, மாதிரிப் பொருத்தத்தை அதிகரிக்கும் அதன் திறன், பொருளியல் முதல் பொறியியல் மற்றும் சமூக அறிவியல் வரை பரந்த அளவிலான துறைகளில் இதை மிகவும் பயனுள்ளதாக ஆக்குகிறது. இதன் அடிப்படைக் கருத்து எளிமையானதாக இருந்தாலும், இந்த முறையை நேர்மாறா பின்னடைவு, கலப்பு-விளைவு மாதிரிகள் மற்றும் இயந்திரக் கற்றல் போன்ற மிகவும் சிக்கலான மாதிரிகளுக்கும் விரிவுபடுத்த முடியும். மீச்சிறு வர்க்கங்களின் முறையைப் பற்றிய நல்ல புரிதல் மற்றும் போதுமான பயிற்சியுடன், நமது தரவுப் பகுப்பாய்வின் துல்லியத்தை மேம்படுத்தி, மேலும் தகவலறிந்த முடிவுகளை எடுக்க முடியும்.

இந்தக் கட்டுரை மீச்சிறு வர்க்க முறை மற்றும் அதன் பயன்பாடுகள் குறித்த தெளிவான மற்றும் விரிவான கண்ணோட்டத்தை வழங்கும் என நம்புகிறோம்.