குறைந்தபட்ச வர்க்க முறை

மீச்சிறு வர்க்க முறை: ஒரு விரிவான பகுப்பாய்வு

மீச்சிறு வர்க்க முறை என்பது புள்ளியியல் பின்னடைவுப் பகுப்பாய்வில் உள்ள மிக அடிப்படையான நுட்பங்களில் ஒன்றாகும். இது தரவுப் பொருத்தம், மாதிரியாக்கம் மற்றும் முன்கணிப்புப் பகுப்பாய்வு ஆகியவற்றில் முக்கியப் பங்கு வகிக்கிறது. இது, உற்றுநோக்கப்பட்ட மற்றும் முன்கணிக்கப்பட்ட மதிப்புகளுக்கு இடையிலான வேறுபாடுகளின் வர்க்கங்களின் கூட்டுத்தொகையைக் குறைக்கும் ஒரு கணித அணுகுமுறையாகும். அவ்வாறு செய்வதன் மூலம், கொடுக்கப்பட்ட தரவுப் புள்ளிகளின் தொகுப்பிற்கு இது மிகவும் பொருத்தமான கோடு அல்லது வளைகோட்டை வழங்குகிறது. இந்தக் கட்டுரையில், மீச்சிறு வர்க்க முறையின் அடிப்படைகள், பயன்பாடுகள், வருவிப்புகள் மற்றும் வரம்புகளைப் பற்றி ஆராய்வோம்.

வரலாற்று பின்னணி

மீச்சிறு வர்க்க முறை முதன்முதலில் 1795-ஆம் ஆண்டில், தனது 18-வது வயதில் கார்ல் ஃபிரெட்ரிக் காஸ் என்பவரால் அறிமுகப்படுத்தப்பட்டது; இருப்பினும், அது 1809-ஆம் ஆண்டு வரை வெளியிடப்படவில்லை. மற்றொரு புகழ்பெற்ற கணிதவியலாளரான அட்ரியன்-மாரி லெஜென்ட்ரே, 1805-ஆம் ஆண்டில் இதே போன்ற ஒரு முறையைத் தனிப்பட்ட முறையில் உருவாக்கி வெளியிட்டார். இவ்வாறிருந்தபோதிலும், காஸின் குறியீட்டு முறையும் அந்த முறையின் விரிவாக்கமுமே நவீன பயன்பாட்டிற்கு அடித்தளமிட்டன.

கணித அறக்கட்டளை

அதன் எளிய வடிவத்தில், குறைந்த வர்க்க முறை (Least Squares Method) ஒரு தரவுப் புள்ளிகளின் தொகுதிக்கு ஒரு நேரியல் மாதிரியைப் பொருத்தப் பயன்படுகிறது. `n` தரவுப் புள்ளிகளின் தொகுதி \((x_1, y_1), (x_2, y_2), …, (x_n, y_n)\) கொடுக்கப்பட்டால், கவனிக்கப்பட்ட மதிப்புகள் ​​\(y_i\) மற்றும் கோட்டால் கணிக்கப்பட்ட மதிப்புகள் ​​\(y_i\) ஆகியவற்றுக்கு இடையேயான செங்குத்துத் தூரங்களின் (மீதங்கள்) வர்க்கங்களின் கூட்டுத்தொகையைக் குறைக்கும் ஒரு கோடு \(y = mx + c\)-ஐக் கண்டுபிடிப்பதே இதன் நோக்கமாகும்.

கணிதரீதியாக, இந்த நோக்கத்தை பின்வருமாறு குறிப்பிடலாம்:

\[ S = \sum_{i=1}^{n} (y_i – \hat{y}_i)^2 = \sum_{i=1}^{n} (y_i – (mx_i + c))^2 \]

இந்தச் சமன்பாடு, மீதங்களின் வர்க்கங்களின் கூடுதலான \(S\)-ஐக் குறிக்கிறது, மேலும் \(S\)-ஐக் குறைக்கும் \(m\) (சாய்வு) மற்றும் \(c\) (வெட்டுப்புள்ளி) ஆகியவற்றின் மதிப்புகளைக் கண்டறிவதே நமது இலக்காகும்.

வழித்தோன்றல்

வர்க்கங்களின் கூட்டுத்தொகை \(S\)-ஐக் குறைக்கும் \(m\) மற்றும் \(c\)-இன் மதிப்புகளைக் கண்டறிய, நாம் \(S\)-ஐ \(m\) மற்றும் \(c\)-ஐப் பொறுத்து பகுதி வகைக்கெழு எடுத்து, அவற்றை பூஜ்ஜியத்திற்குச் சமன் செய்கிறோம்.

1. \(m\)-ஐப் பொறுத்த பகுதி வகைக்கெழு:

\[ \frac{\partial S}{\partial m} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-x_i) = 0 \]

2. \(c\)-ஐப் பொறுத்த பகுதி வகைக்கெழு:

\[ \frac{\partial S}{\partial c} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-1) = 0 \]

இந்த ஒருங்கமைச் சமன்பாடுகளைத் தீர்ப்பதன் விளைவாக இயல் சமன்பாடுகள் கிடைக்கின்றன:

\[ m = \frac{n(\sum x_i y_i) – (\sum x_i)(\sum y_i)}{n (\sum x_i^2) – (\sum x_i)^2} \]

\[ c = \frac{(\sum y_i)(\sum x_i^2) – (\sum x_i)(\sum x_i y_i)}{n(\sum x_i^2) – (\sum x_i)^2} \]

இந்தச் சமன்பாடுகள், வர்க்கப் பிழைகளின் கூட்டுத்தொகையைக் குறைக்கும் \(m\) மற்றும் \(c\) இன் மதிப்புகளை நமக்குத் தருகின்றன.

பயன்பாடுகள்

மீச்சிறு வர்க்க முறை பல்வேறு துறைகளில் பரந்த அளவிலான பயன்பாடுகளைக் கொண்டுள்ளது:

1. பொருளியல் மற்றும் நிதி: மொத்த உள்நாட்டு உற்பத்தி (GDP), பணவீக்க விகிதங்கள் மற்றும் பங்கு விலைகள் போன்ற பொருளாதாரக் குறிகாட்டிகளை மாதிரியாக்கவும் முன்கணிக்கவும் பயன்படுகிறது.

2. பொறியியல்: அனுபவத் தரவுகளுக்கு மாதிரிகளைப் பொருத்துவதற்காக, சமிக்ஞை செயலாக்கம், கட்டுப்பாட்டு அமைப்புகள் மற்றும் நம்பகத்தன்மைச் சோதனைகளில் பயன்படுத்தப்படுகிறது.

3. மருத்துவம்: வளர்ச்சி வளைவுகள், மருந்தளவு-விளைவு வளைவுகள் மற்றும் பிற உயிரியல் செயல்முறைகளைச் சோதனைத் தரவுகளுடன் பொருத்துவதற்கு உதவுகிறது.

4. இயந்திரக் கற்றல்: அளவுரு மதிப்பீட்டிற்காக பெரும்பாலும் மீச்சிறு வர்க்க முறையைப் பயன்படுத்தும் நேரியல் பின்னடைவு மாதிரிகள், மேற்பார்வையிடப்பட்ட கற்றல் நுட்பங்களில் அடித்தளமாக விளங்குகின்றன.

5. வானியல்: வரலாற்று ரீதியாக காஸ் என்பவரால் விண் பொருட்களின் சுற்றுப்பாதைகளைக் கணக்கிடப் பயன்படுத்தப்பட்டது.

மாறுபாடுகள் மற்றும் விரிவாக்கங்கள்

1. எடையிடப்பட்ட குறைந்தபட்ச வர்க்கங்கள்: தரவுப் புள்ளிகள் வெவ்வேறு மாறுபாடுகளைக் கொண்டிருக்கும் நேர்வுகளில், எடையிடப்பட்ட குறைந்தபட்ச வர்க்கங்கள் முறையானது ஒவ்வொரு தரவுப் புள்ளிக்கும் எடைகளை ஒதுக்கி, வர்க்கங்களின் எடையிடப்பட்ட கூட்டுத்தொகையைக் குறைக்கிறது.

2. நேரியல் அல்லாத குறைந்தபட்ச வர்க்கங்கள்: காஸ்-நியூட்டன் அல்லது லெவென்பெர்க்-மார்குவார்ட் வழிமுறைகள் போன்ற மீள்செயல் நுட்பங்கள் மூலம், நேரியல் அல்லாத மாதிரிகளைப் பொருத்துவதற்காக இந்த முறையை இது விரிவுபடுத்துகிறது.

3. ஒழுங்குபடுத்தப்பட்ட குறைந்தபட்ச வர்க்கங்கள் (ரிட்ஜ் பின்னடைவு): மிகைப்பொருத்தத்தைத் தடுப்பதற்காக, வர்க்கங்களின் கூட்டுத்தொகையில் ஒரு தண்டனைக் காரணியைச் சேர்க்கிறது; இது குறிப்பாகப் பன்முக நேர்கோட்டுத்தன்மையைக் கையாளும்போது பயனுள்ளதாக இருக்கும்.

4. பொதுமைப்படுத்தப்பட்ட குறைந்தபட்ச வர்க்கங்கள்: இது தொடர்புடைய அவதானிப்புகளைக் கணக்கில் கொண்டு, தன்னியக்கத் தொடர்புடைய மற்றும் மாறுபட்ட பரவல் பிழைகளைக் கையாளும் வகையில் குறைந்தபட்ச வர்க்கங்கள் முறையை விரிவுபடுத்துகிறது.

கணக்கீட்டு கருவிகள்

பல்வேறு மென்பொருள் கருவிகளும் நிரலாக்கச் சூழல்களும் மீச்சிறு வர்க்கப் பின்னடைவைச் செய்வதற்கு உள்ளமைக்கப்பட்ட செயல்பாடுகளை வழங்குகின்றன:

1. பைத்தான்: NumPy மற்றும் SciPy போன்ற நூலகங்கள், முறையே நேரியல் மற்றும் நேரியலற்ற குறைந்தபட்ச வர்க்கப் பொருத்தத்திற்காக `numpy.linalg.lstsq` மற்றும் `scipy.optimize.curve_fit` ஆகிய சார்புகளை வழங்குகின்றன.

2. R: R-இன் விரிவான புள்ளிவிவரச் சூழலில், நேரியல் மாதிரிகளுக்கான `lm()` மற்றும் நேரியல் அல்லாத மாதிரிகளுக்கான `nls()` போன்ற சார்புகள்.

3. மேட்லேப்: மேட்லேப்பில் உள்ள `lsqcurvefit` என்ற சார்பு, நேரியல் அல்லாத பொருத்தத்திற்குப் பயன்படுத்தப்படுகிறது, மேலும் இது நேரியல் இயற்கணித செயல்பாடுகளுக்கான உள்ளமைக்கப்பட்ட ஆதரவைக் கொண்டுள்ளது.

வரம்புகள்

பரந்த அளவில் பொருந்தக்கூடியதாக இருந்தாலும், மீச்சிறு வர்க்க முறைக்கு சில வரம்புகள் உள்ளன:

1. புறத்தன்மை மதிப்புகளுக்கான உணர்திறன்: மீச்சிறு வர்க்க முறை புறத்தன்மை மதிப்புகளுக்கு மிகவும் உணர்திறன் கொண்டது, ஏனெனில் அதன் வர்க்கப் பதம் பெரிய மீதங்களின் தாக்கத்தைப் பெருக்கிக் காட்டுகிறது.

2. நேரியல் தன்மை அனுமானம்: மாறிகளுக்கு இடையே ஒரு நேரியல் தொடர்பு இருப்பதாக இது கருதுகிறது, ஆனால் சிக்கலான தரவுத் தொகுப்புகளுக்கு இது உண்மையாக இருக்காது.

3. பன்முக நேரியல் சார்புச் சிக்கல்கள்: பல நேரியல் பின்னடைவில், முன்கணிப்பு மாறிகளுக்கு இடையேயான பன்முக நேரியல் சார்பு, குணகங்களின் மதிப்பீட்டைச் சிதைக்கக்கூடும்.

4. மாறுபாட்டின் ஒருபடித்தன்மை (சம பரவல்): பிழைக் கூறுகளின் மாறுபாடு, அவதானிப்புகள் முழுவதும் மாறாமல் இருப்பதாக இது கருதுகிறது, ஆனால் இது எல்லா நேரங்களிலும் உண்மையாக இருக்க வேண்டிய அவசியமில்லை.

தீர்மானம்

குறைந்த வர்க்க முறை, அதன் பழமை இருந்தபோதிலும், புள்ளிவிவரத் தரவுப் பகுப்பாய்வு மற்றும் மாதிரியாக்கத்தில் ஒரு மூலக்கல்லாகத் திகழ்கிறது. அதன் எளிமை, செயல்திறன் மற்றும் அடிப்படை நேரியல் பின்னடைவு முதல் சிக்கலான நேரியல் அல்லாத மற்றும் பொதுமைப்படுத்தப்பட்ட மாதிரிகள் வரையிலான பல்வேறு வடிவங்களுக்கு ஏற்ப தன்னை மாற்றியமைத்துக் கொள்ளும் தன்மை ஆகியவை இதை விலைமதிப்பற்றதாக ஆக்குகின்றன. தரவுப் பகுப்பாய்வில் ஈடுபடும் எவருக்கும் அதன் கணித அடிப்படைகள், பயன்பாடுகள் மற்றும் வரம்புகளைப் புரிந்துகொள்வது அவசியமாகும்; இது அர்த்தமுள்ள நுண்ணறிவுகளைப் பெறுவதற்கு இந்த முறை பொருத்தமான முறையில் பயன்படுத்தப்படுவதை உறுதி செய்கிறது. கல்வித்துறையாக இருந்தாலும் சரி, தொழில்துறையாக இருந்தாலும் சரி, தரவுகளுக்குள் இருக்கும் உறவுகளைப் புரிந்துகொள்வதற்கும், தகவலறிந்த கணிப்புகளைச் செய்வதற்கும் குறைந்த வர்க்க முறை ஒரு வலிமையான கருவியாகத் தொடர்ந்து விளங்குகிறது.