Усули хурдтарин квадратҳо: Таҳлили ҳамаҷониба
Усули хурдтарин мураббаъҳо яке аз усулҳои асосии таҳлили регрессияи оморӣ буда, дар мутобиқсозии маълумот, моделсозӣ ва таҳлили пешгӯикунанда нақши муҳим мебозад. Ин як равиши риёзӣ аст, ки ҷамъи мураббаъҳои фарқиятҳои байни арзишҳои мушоҳидашуда ва пешгӯишударо ба ҳадди ақалл мерасонад. Бо ин роҳ, он ба маҷмӯи додаҳои додашуда хат ё каҷи мувофиқтаринро пешниҳод мекунад. Дар ин мақола, мо асосҳо, татбиқҳо, ҳосилаҳо ва маҳдудиятҳои Усули хурдтарин мураббаъҳоро меомӯзем.
Таърихи таърих
Усули хурдтарин квадратҳо бори аввал аз ҷониби Карл Фридрих Гаусс дар соли 1795 дар синни 18-солагӣ муаррифӣ шудааст, гарчанде ки он то соли 1809 нашр нашудааст. Адриен-Мари Лежандр, математики дигари машҳур, мустақилона усули монандро таҳия ва нашр кард, ки соли 1805 ба ин монанд буд. Бо вуҷуди ин, қайдкунии Гаусс ва васеъ кардани ин усул заминаи истифодаи муосирро гузошт.
Бунёди математика
Дар шакли соддатарини худ, Усули Квадратҳои Камтар барои мувофиқ кардани модели хаттӣ ба маҷмӯи нуқтаҳои додаҳо истифода мешавад. Бо назардошти маҷмӯи нуқтаҳои додаҳои `n` \((x_1, y_1), (x_2, y_2), …, (x_n, y_n)\), ҳадаф ёфтани хати \(y = mx + c\) аст, ки ҷамъи квадратҳои масофаҳои амудӣ (боқимондаҳо)-ро байни арзишҳои мушоҳидашуда \(y_i\) ва арзишҳои пешгӯишуда аз ҷониби хати \(\hat{y}_i\) ба ҳадди ақалл мерасонад.
Аз нигоҳи математикӣ, ин ҳадафро метавон чунин ифода кард:
\[ S = \sum_{i=1}^{n} (y_i – \hat{y}_i)^2 = \sum_{i=1}^{n} (y_i – (mx_i + c))^2 \]
Ин муодила ҷамъи квадратҳои боқимондаҳоро, \(S\), ифода мекунад ва ҳадафи мо ёфтани арзишҳои \(m\) (нишебӣ) ва \(c\) (буриш) мебошад, ки \(S\)-ро ба ҳадди ақал мерасонанд.
Ҳосилкунӣ
Барои ёфтани арзишҳои \(m\) ва \(c\), ки ҷамъи квадратҳои \(S\)-ро ба ҳадди ақал мерасонанд, мо ҳосилаҳои қисман \(S\)-ро нисбат ба \(m\) ва \(c\) гирифта, онҳоро ба сифр муқаррар мекунем.
1. Ҳосилаи қисман нисбат ба \(m\):
\[ \frac{\partial S}{\partial m} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-x_i) = 0 \]
2. Ҳосилаи қисман нисбат ба \(c\):
\[ \frac{\partial S}{\partial c} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-1) = 0 \]
Ҳалли ин муодилаҳои ҳамзамон ба муодилаҳои муқаррарӣ оварда мерасонад:
\[ m = \frac{n(\sum x_i y_i) – (\sum x_i)(\sum y_i)}{n (\sum x_i^2) – (\sum x_i)^2} \]
\[ c = \frac{(\sum y_i)(\sum x_i^2) – (\sum x_i)(\sum x_i y_i)}{n(\sum x_i^2) – (\sum x_i)^2} \]
Ин муодилаҳо ба мо арзишҳои \(m\) ва \(c\)-ро медиҳанд, ки ҷамъи боқимондаҳои квадратиро ба ҳадди ақал мерасонанд.
Барномаҳо
Усули хурдтарин квадратҳо дар соҳаҳои гуногун татбиқи васеъ дорад:
1. Иқтисод ва молия: Барои моделсозӣ ва пешгӯии нишондиҳандаҳои иқтисодӣ, аз қабили ММД, сатҳи таваррум ва нархи саҳмияҳо истифода мешавад.
2. Муҳандисӣ: Дар коркарди сигналҳо, системаҳои идоракунӣ ва санҷиши эътимоднокӣ барои мутобиқ кардани моделҳо ба маълумоти эмпирикӣ истифода мешавад.
3. Тиб: Барои мутобиқ кардани каҷхатҳои афзоиш, каҷхатҳои вокуниш ба воя ва дигар равандҳои биологӣ ба маълумоти таҷрибавӣ кӯмак мерасонад.
4. Омӯзиши мошинӣ: Моделҳои регрессияи хаттӣ, ки аксар вақт усули хурдтарин квадратҳоро барои арзёбии параметрҳо истифода мебаранд, дар усулҳои омӯзиши назоратшаванда асосианд.
5. Астрономия: Таърихан аз ҷониби Гаусс барои ҳисоб кардани мадори ҷирмҳои осмонӣ истифода мешуд.
Тағйирот ва васеъкуниҳо
1. Квадратҳои Вазнии Камтарин: Дар ҳолатҳое, ки мушоҳидаҳо дисперсияҳои гуногун доранд, Квадратҳои Вазнии Камтарин ба ҳар як нуқтаи додаҳо вазнҳоро таъин мекунанд ва ҷамъи вазнии квадратҳоро ба ҳадди ақалл мерасонанд.
2. Квадратҳои хурдтарини ғайрихаттӣ: Усулро барои мувофиқ кардани моделҳои ғайрихаттӣ васеъ мекунад, аксар вақт тавассути усулҳои такрорӣ ба монанди алгоритмҳои Гаусс-Ньютон ё Левенберг-Марквардт.
3. Муқаддимакунии хурдтарини квадратҳо (Ридж Регрессия): Барои пешгирӣ аз мувофиқати аз ҳад зиёд, ба ҷамъи квадратҳо як ҷузъи ҷарима илова мекунад, ки махсусан ҳангоми кор бо бисёрколлинеарӣ муфид аст.
4. Муодилаҳои хурдтарини умумӣ: Мушоҳидаҳои ҳамбастаро ба назар мегиранд ва усули хурдтарини муодилаҳоро барои коркарди хатогиҳои автокоррелятсия ва гетероскедастик васеъ мекунанд.
Асбобҳои ҳисоббарорӣ
Воситаҳои гуногуни нармафзор ва муҳитҳои барномасозӣ функсияҳои дарунсохтро барои иҷрои регрессияи квадратҳои хурдтарин пешниҳод мекунанд:
1. Python: Китобхонаҳо ба монанди NumPy ва SciPy функсияҳои `numpy.linalg.lstsq` ва `scipy.optimize.curve_fit`-ро мутаносибан барои мувофиқати хурдтарин квадратҳои хаттӣ ва ғайрихаттӣ пешниҳод мекунанд.
2. R: Функсияҳо ба монанди `lm()` барои моделҳои хаттӣ ва `nls()` барои моделҳои ғайрихаттӣ дар муҳити ҳамаҷонибаи омории R.
3. MATLAB: Функсияи `lsqcurvefit` дар MATLAB барои мувофиқати ғайрихаттӣ бо дастгирии дарунсохт барои амалиётҳои алгебраи хаттӣ истифода мешавад.
Маҳдудияти
Гарчанде ки усули хурдтарин квадратҳо васеъ истифода мешавад, он маҳдудиятҳо дорад:
1. Ҳассосият ба хориҷиҳо: Квадратҳои хурдтарин ба хориҷиҳо хеле ҳассосанд, зеро истилоҳи квадратӣ таъсири боқимондаҳои калонро тақвият медиҳад.
2. Фарзияи хаттӣ: Муносибати хаттиро байни тағйирёбандаҳо фарз мекунад, ки барои маҷмӯи додаҳои мураккаб метавонад дуруст набошад.
3. Масъалаҳои бисёрколлинеарӣ: Дар регрессияи хаттии бисёркарата, бисёрколлинеарӣ байни тағирёбандаҳои пешгӯикунанда метавонад баҳодиҳии коэффисиентҳоро таҳриф кунад.
4. Якрангии дисперсия (Гомоскедастикӣ): Фарз мекунад, ки дисперсияи шартҳои хато дар тамоми мушоҳидаҳо доимӣ аст, ки ин метавонад ҳамеша чунин набошад.
хулоса
Усули хурдтарин мураббаъҳо, сарфи назар аз синну солаш, санги асосии таҳлил ва моделсозии додаҳои оморӣ боқӣ мемонад. Соддагӣ, самаранокӣ ва мутобиқшавии он ба шаклҳои гуногун, аз регрессияи хаттии асосӣ то моделҳои мураккаби ғайрихаттӣ ва умумӣ, онро бебаҳо мегардонад. Дарки асосҳо, татбиқ ва маҳдудиятҳои математикии он барои ҳар касе, ки дар таҳлили додаҳо иштирок мекунад, муҳим аст ва кафолат медиҳад, ки усул барои ба даст овардани фаҳмишҳои пурмазмун мувофиқан татбиқ карда мешавад. Новобаста аз он ки дар соҳаи илм ё саноат, Усули хурдтарин мураббаъҳо воситаи мустаҳкам барои фаҳмидани робитаҳо дар дохили додаҳо ва пешгӯиҳои огоҳона боқӣ мемонад.
