நேரியல் பின்னடைவு

நேரியல் பின்னடைவு: தரவு பகுப்பாய்வு மற்றும் கணிப்பின் அடித்தளம்

நேரியல் பின்னடைவு என்பது அறிவியல் ஆராய்ச்சி மற்றும் தரவுப் பகுப்பாய்வில் மிகவும் பரவலாகப் பயன்படுத்தப்படும் புள்ளியியல் முறைகளில் ஒன்றாகும். புள்ளியியல் மற்றும் கணிதத்தில் வேரூன்றிய நேரியல் பின்னடைவு, இரண்டு அல்லது அதற்கு மேற்பட்ட மாறிகளுக்கு இடையிலான உறவைப் புரிந்துகொள்ளவும் கணிக்கவும் நமக்கு உதவுகிறது. இந்தக் கட்டுரை நேரியல் பின்னடைவின் அடிப்படைகள், அதன் பயன்பாடுகள், அதை எவ்வாறு உருவாக்குவது, அதன் நன்மைகள் மற்றும் வரம்புகள் பற்றி விவாதிக்கும்.

அறிமுகம்: நேரியல் பின்னடைவு என்றால் என்ன?

சார்பற்ற மற்றும் சார்பு மாறிகளுக்கு இடையிலான உறவை மாதிரியாக்க நேரியல் பின்னடைவு பயன்படுத்தப்படுகிறது. இந்த மாதிரி நேரியல் தன்மையுடையதாகக் கருதப்படுகிறது, அதாவது சார்பற்ற மாறியில் ஏற்படும் ஓர் அலகு மாற்றம், சார்பு மாறியில் ஒரு நிலையான மாற்றத்தை விளைவிக்கும். எடுத்துக்காட்டாக, படிப்பு நேரங்களின் எண்ணிக்கையின் அடிப்படையில் தேர்வு மதிப்பெண்களைக் கணிக்கவோ, அல்லது நிலப்பரப்பின் அடிப்படையில் வீட்டு விலைகளைக் கணிக்கவோ நாம் நேரியல் பின்னடைவைப் பயன்படுத்தலாம்.

எளிய நேரியல் பின்னடைவு மாதிரி

ஒரு எளிய நேரியல் பின்னடைவு மாதிரியானது ஒரே ஒரு சார்பற்ற மாறியையும் ஒரே ஒரு சார்பு மாறியையும் மட்டுமே கொண்டுள்ளது. இந்த மாதிரியானது பெரும்பாலும் \( y = b_0 + b_1x \) என உருவாக்கப்படுகிறது, இதில்:
– \( y \) என்பது சார்பு மாறி.
– \( x \) என்பது சார்பற்ற மாறி.
– \( b_0 \) என்பது இடைமறிப்பு ஆகும்.
– \( b_1 \) என்பது கோட்டின் சாய்வைக் குறிக்கும் பின்னடைவுக் கெழு ஆகும்.

பல நேரியல் பின்னடைவு மாதிரி

பன்முக நேரியல் பின்னடைவு ஒன்றுக்கு மேற்பட்ட சார்பற்ற மாறிகளை உள்ளடக்கியது. இந்த மாதிரி \( y = b_0 + b_1x_1 + b_2x_2 + … + b_nx_n \) என வடிவமைக்கப்பட்டுள்ளது. இது சார்பு மாறியைக் கணிப்பதில் பல காரணிகளைக் கருத்தில் கொள்ள நமக்கு உதவுகிறது.

மதிப்பீட்டு முறை: குறைந்தபட்ச வர்க்கங்கள்

நேரியல் பின்னடைவில் அளவுருக்களை மதிப்பிடுவதற்குப் பயன்படுத்தப்படும் முக்கிய முறைகளில் ஒன்று மீச்சிறு வர்க்க முறை ஆகும். இந்த முறையானது, உற்றுநோக்கப்பட்ட மற்றும் மதிப்பிடப்பட்ட மதிப்புகளுக்கு இடையிலான வேறுபாடுகளின் வர்க்கங்களின் கூட்டுத்தொகையைக் குறைப்பதை நோக்கமாகக் கொண்டுள்ளது. வேறுவிதமாகக் கூறினால், செலவுச் சார்பைக் குறைக்கும் \( b_0 \) மற்றும் \( b_1 \) இன் மதிப்புகளை நாம் தேடுகிறோம்:
\[ J(b_0, b_1) = \sum_{i=1}^{n} (y_i – (b_0 + b_1x_i))^2 \]

வெட்டுப்புள்ளி (\(b_0\)) மற்றும் சாய்வு (\(b_1\))

x பூஜ்ஜியமாக இருக்கும்போது, ​​தொடர்புக்கோடு y-அச்சை வெட்டும் புள்ளியே இடைவெட்டு ஆகும். x-இல் ஏற்படும் மாற்றத்தால் y-இல் ஏற்படும் மாற்றத்தைச் சாய்வு குறிக்கிறது. எடுத்துக்காட்டாக, படிப்பு நேரத்திற்கும் தேர்வு மதிப்பெண்களுக்கும் இடையேயான ஒரு தொடர்புக்கோட்டின் சாய்வு 2 எனில், கூடுதலாகப் படிக்கும் ஒவ்வொரு மணி நேரத்திற்கும் தேர்வு மதிப்பெண் இரண்டு புள்ளிகள் அதிகரிக்கும் என்று பொருள்.

பின்னடைவு சமன்பாடுகளை எவ்வாறு கணக்கிடுவது

எளிய நேரியல் பின்னடைவில் \( b_0 \) மற்றும் \( b_1 \) ஆகிய அளவுருக்களைக் கணக்கிட, நாம் பின்வரும் சூத்திரத்தைப் பயன்படுத்தலாம்:
\[ b_1 = \frac{n(\sum xy) – (\sum x)(\sum y)}{n(\sum x^2) – (\sum x)^2} \]
\[ b_0 = \frac{(\sum y)(\sum x^2) – (\sum x)(\sum xy)}{n(\sum x^2) – (\sum x)^2} \]

இதில் \( n \) என்பது அவதானிப்புகளின் எண்ணிக்கை, \( \sum \) என்பது கூட்டுத்தொகை வடிவத்தைக் (கூட்டல்) குறிக்கிறது.

நேரியல் பின்னடைவு பயன்பாடு

நேரியல் பின்னடைவு அறிவியலின் பல்வேறு துறைகளில் பரந்த அளவிலான பயன்பாடுகளைக் கொண்டுள்ளது, அவற்றுள் சில:

பொருளாதாரம் மற்றும் நிதி

பொருளியல் மற்றும் நிதியியலில், பல்வேறு பொருளாதாரக் குறிகாட்டிகளுக்கு இடையிலான உறவை மாதிரியாக்க நேரியல் பின்னடைவு பயன்படுத்தப்படுகிறது. எடுத்துக்காட்டாக, வருமானம் மற்றும் நுகர்வு, பங்கு விலைகள் மற்றும் வர்த்தக அளவு, அல்லது வேலையின்மை மற்றும் பணவீக்கம் ஆகியவற்றுக்கு இடையிலான உறவு.

சுகாதாரம்

சுகாதாரத் துறையில், உடல் நிறை குறியீட்டின் (BMI) அடிப்படையில் இரத்த அழுத்தம் போன்ற மருத்துவ விளைவுகளைக் கணிக்கவும், அல்லது மருந்து அளவுக்கும் நோயாளி குணமடையும் விகிதத்திற்கும் இடையிலான தொடர்பைக் கணிக்கவும் நேரியல் பின்னடைவு பயன்படுத்தப்படலாம்.

பேமசரன்

சந்தைப்படுத்தலில் விற்பனைத் தரவுகளைப் பகுப்பாய்வு செய்யவும், தயாரிப்புத் தேவையை முன்கணிக்கவும், விளம்பரப் பிரச்சாரங்களின் செயல்திறனைத் தீர்மானிக்கவும் நேரியல் பின்னடைவு பயன்படுத்தப்படுகிறது.

பொறியியல் மற்றும் அறிவியல்

பொறியியல் மற்றும் அறிவியலில், இயற்பியல் மாறிகளுக்கு இடையிலான தொடர்புகளை மாதிரியாக்க நேரியல் பின்னடைவு பெரும்பாலும் பயன்படுத்தப்படுகிறது. எடுத்துக்காட்டாக, ஒரு பொருளில் உள்ள தகைவுக்கும் திரிபுக்கும் இடையிலான தொடர்பு, அல்லது வெப்பநிலைக்கும் வெப்பக் கடத்துத்திறனுக்கும் இடையிலான தொடர்பு.

நேரியல் பின்னடைவின் நன்மைகள்

எளிமையான மற்றும் புரிந்துகொள்ள எளிதானது

நேரியல் பின்னடைவின் முக்கிய நன்மைகளில் ஒன்று அதன் எளிமை. இந்த மாதிரியைப் புரிந்துகொள்வதும் விளக்குவதும் எளிதானது, இது விளக்கக்காட்சிகள் மற்றும் தகவல்தொடர்புக்கு ஒரு சிறந்த கருவியாக அமைகிறது.

பிற முறைகளுக்கான அடிப்படை

நேரியல் பின்னடைவு, மேலும் சிக்கலான புள்ளியியல் மற்றும் இயந்திர கற்றல் முறைகளுக்கு ஒரு உறுதியான அடித்தளத்தை வழங்குகிறது. லாஜிஸ்டிக் பின்னடைவு மற்றும் நரம்பியல் வலையமைப்புகள் போன்ற பல மேம்பட்ட மாதிரிகள், நேரியல் பின்னடைவின் கொள்கைகளை அடிப்படையாகக் கொண்டவை.

உறவு அடையாளம்

நேரியல் பின்னடைவு, மாறிகளுக்கு இடையிலான உறவுகளை அடையாளம் காணவும் அளவிடவும் பயனர்களை அனுமதிக்கிறது, இது பயனுள்ள கணிப்புகளைச் செய்வதற்கும் சிறந்த முடிவுகளை எடுப்பதற்கும் பயன்படுத்தப்படலாம்.

நேரியல் பின்னடைவின் வரம்புகள்

நேரியல் தன்மை அனுமானம்

நேரியல் பின்னடைவு, மாறிகளுக்கு இடையே ஒரு நேரியல் தொடர்பு இருப்பதாகக் கருதுகிறது, ஆனால் நிஜ உலகத் தரவுகளில் இது எப்போதும் உண்மையாக இருக்காது. நேரியல் அல்லாத தரவுகளுக்கு, பல்லுறுப்புக் கோவைப் பின்னடைவு அல்லது அளவுருசாரா மாதிரிகள் போன்ற பிற முறைகள் மிகவும் பொருத்தமானதாக இருக்கலாம்.

புறநிலை மதிப்புகளுக்கு உணர்திறன் கொண்டது

நேரியல் பின்னடைவு மாதிரிகள், முடிவுகளைத் திரித்துவிடக்கூடிய புறமதிப்புகளுக்கு (தீவிர மதிப்புகள்) மிகவும் உணர்திறன் கொண்டவை. எனவே, பின்னடைவுப் பகுப்பாய்வை மேற்கொள்வதற்கு முன், தரவுகளை ஆராய்ந்து புறமதிப்புகளைக் கையாள்வது மிகவும் அவசியமாகும்.

பன்முக நேர்கோட்டுத்தன்மை

பல நேரியல் பின்னடைவில், சார்பற்ற மாறிகள் ஒன்றுக்கொன்று அதிகத் தொடர்பு கொண்டிருக்கும்போது பன்முக நேர்கோட்டுத்தன்மை ஏற்படுகிறது, இது குணகங்களைத் துல்லியமாக மதிப்பிடுவதைக் கடினமாக்கும். முதன்மைக் கூறுப் பகுப்பாய்வு (PCA) அல்லது ஒழுங்குபடுத்தல் போன்ற நுட்பங்களைப் பயன்படுத்தி இதைச் சரிசெய்யலாம்.

சிக்கலான தன்மையைப் படம்பிடிக்கவில்லை

நேரியல் பின்னடைவால், மாறிகளுக்கு இடையிலான மிகவும் சிக்கலான உறவுகளைப் பெரும்பாலும் கண்டறிய முடிவதில்லை. பல சந்தர்ப்பங்களில், மேலும் துல்லியமான முடிவுகளைப் பெறுவதற்கு, நேரியலற்ற பின்னடைவு அல்லது இயந்திரக் கற்றல் போன்ற மிகவும் சிக்கலான மாதிரிகள் தேவைப்படலாம்.

முடிவுரை

நேரியல் பின்னடைவு என்பது தரவுப் பகுப்பாய்வு மற்றும் முன்கணிப்பில் ஒரு சக்திவாய்ந்த மற்றும் பன்முகப் பயன்பாடுள்ள கருவியாகும். அதன் எளிமை இருந்தபோதிலும், இந்த மாதிரி, மாறிகளுக்கு இடையிலான உறவுகளைப் புரிந்துகொள்வதற்கும், வரலாற்றுத் தரவுகளின் அடிப்படையில் முன்கணிப்புகளைச் செய்வதற்கும் ஒரு உறுதியான அடித்தளத்தை வழங்குகிறது. அதன் நன்மைகள் மற்றும் வரம்புகளைப் புரிந்துகொள்வதன் மூலம், ஆராய்ச்சியாளர்களும் ஆய்வாளர்களும் நேரியல் பின்னடைவை பல்வேறு பயன்பாடுகளில் மிகவும் திறமையாகவும் பொறுப்புடனும் பயன்படுத்த முடியும்.

முடிவாக, நீங்கள் ஒரு மாணவராக, ஆராய்ச்சியாளராக, அல்லது தரவுகளுடன் பணிபுரியும் ஒரு நிபுணராக இருந்தாலும், நேரியல் பின்னடைவு (linear regression) என்ற கருத்தில் தேர்ச்சி பெறுவது, உங்கள் தரவுப் பகுப்பாய்வு மற்றும் முடிவெடுக்கும் திறன்களைக் கணிசமாக மேம்படுத்தும். உங்கள் பகுப்பாய்வுக் கருவிகளில் நேரியல் பின்னடைவை ஒருங்கிணைத்தால், தரவுகள் மற்றும் மாறிகளுக்கு இடையிலான உறவுகள் குறித்த உங்கள் புரிதல் ஆழமடைவதை நீங்கள் காண்பீர்கள்.