Ìfàsẹ́yìn Líní: Ìpìlẹ̀ Ìṣàyẹ̀wò Dátà àti Àsọtẹ́lẹ̀
Ìyípadà ìlà jẹ́ ọ̀kan lára àwọn ọ̀nà ìṣirò tí a sábà máa ń lò jùlọ nínú ìwádìí sáyẹ́ǹsì àti ìwádìí dátà. Pẹ̀lú àwọn gbòǹgbò nínú statistiki àti mathimatiki, ìyípadà ìlà ń ràn wá lọ́wọ́ láti lóye àti sọ àsọtẹ́lẹ̀ ìbáṣepọ̀ láàárín àwọn oníyípadà méjì tàbí jù bẹ́ẹ̀ lọ. Àpilẹ̀kọ yìí yóò jíròrò àwọn ìpìlẹ̀ ìyípadà ìlà, àwọn ìlò rẹ̀, bí a ṣe lè kọ́ ọ, àti àwọn àǹfààní àti ààlà rẹ̀.
Ìfihàn: Kí ni Ìfàsẹ́yìn Línírọ́ọ̀sì?
A lo atunṣe laini lati ṣe apẹẹrẹ ibatan laarin awọn oniyipada ominira ati awọn ti o gbẹkẹle. A gba pe awoṣe yii jẹ laini, ti o tumọ si pe iyipada ẹyọkan kan ninu oniyipada ominira yoo yorisi iyipada nigbagbogbo ninu oniyipada igbẹkẹle. Fun apẹẹrẹ, a le lo atunṣe laini lati sọ asọtẹlẹ awọn ami idanwo ti o da lori nọmba awọn wakati ti ikẹkọ, tabi awọn idiyele ile ti o da lori agbegbe ilẹ.
Àpẹẹrẹ Ìfàsẹ́yìn Líìnì Rọrùn
Àwòṣe ìfàsẹ́yìn onílànà kan ṣoṣo ní oníyípadà aláìdádúró kan àti oníyípadà kan ṣoṣo tó gbẹ́kẹ̀lé. A sábà máa ń ṣe àgbékalẹ̀ àwòṣe yìí gẹ́gẹ́ bí \( y = b_0 + b_1x \), níbi tí:
– \( y \) ni oniyipada ti o gbẹkẹle.
– \( x \) ni oniyipada ominira.
– \( b_0 \) ni ìdènà náà.
– \( b_1 \) ni iye ìfàsẹ́yìn tí ó dúró fún ìtẹ̀sí ìlà náà.
Àpẹẹrẹ Ìfàsẹ́yìn Onílà Púpọ̀
Ìfàsẹ́yìn onílà púpọ̀ ní ju oníyípadà aláìdámọ̀ kan lọ. A ṣe àgbékalẹ̀ àwòṣe yìí gẹ́gẹ́ bí \( y = b_0 + b_1x_1 + b_2x_2 + … + b_nx_n \). Èyí ń jẹ́ kí a gbé ọ̀pọ̀lọpọ̀ nǹkan yẹ̀ wò nínú àsọtẹ́lẹ̀ oníyípadà tí ó gbẹ́kẹ̀lé.
Ọ̀nà Ìṣirò: Àwọn onígun mẹ́rin tó kéré jùlọ
Ọ̀kan lára àwọn ọ̀nà pàtàkì tí a ń lò láti ṣe ìṣirò àwọn pàrámítà nínú ìfàsẹ́yìn ìlà ni ọ̀nà onígun mẹ́rin kékeré. Ọ̀nà yìí ń gbìyànjú láti dín àròpọ̀ àwọn onígun mẹ́rin ti ìyàtọ̀ láàárín àwọn iye tí a ṣàkíyèsí àti àwọn iye tí a ṣírò kù. Ní ọ̀rọ̀ mìíràn, a ń wá àwọn iye ti \(b_0 \) àti \(b_1 \) tí ó dín iṣẹ́ ìnáwó kù:
\[ J(b_0, b_1) = \sum_{i=1}^{n} (y_i – (b_0 + b_1x_i))^2 \]
Ìdènà (\(b_0\)) àti Ìtẹ̀sí (\(b_1\))
Ìdènà ni ibi tí ìlà ìfàsẹ́yìn ti kọjá ààlà y nígbà tí x bá jẹ́ òdo. Ìfàsẹ́yìn náà fi ìyípadà nínú y hàn nítorí ìyípadà nínú x. Fún àpẹẹrẹ, tí ìfàsẹ́yìn láàárín wákàtí ìkẹ́kọ̀ọ́ àti àmì ìdánwò bá mú ìsàlẹ̀ 2 wá, èyí túmọ̀ sí wípé fún gbogbo wákàtí ìkẹ́kọ̀ọ́ mìíràn, àmì ìdánwò náà yóò pọ̀ sí i ní àmì méjì.
Báwo ni a ṣe le ṣe ìṣirò àwọn ìdókòwò ìfàsẹ́yìn
Láti ṣírò àwọn pàrámítà \( b_0 \) àti \( b_1 \) nínú ìfàsẹ́yìn ìlà tí ó rọrùn, a lè lo àgbékalẹ̀ wọ̀nyí:
\[ b_1 = \frac{n(\sum xy) – (\sum x)(\sum y)}{n(\sum x^2) – (\sum x)^2} \]
\[ b_0 = \frac{(\sum y)(\sum x^2) – (\sum x)(\sum xy)}{n(\sum x^2) – (\sum x)^2} \]
Níbi tí \( n \) ti jẹ́ iye àwọn àkíyèsí, \( \sum \) dúró fún fọ́ọ̀mù àkópọ̀ (àfikún).
Ohun elo Iyipada Toosan
Ìyípadà ìlà ní ọ̀pọ̀lọpọ̀ àwọn ohun èlò nínú onírúurú ẹ̀ka ìmọ̀ sáyẹ́ǹsì, títí bí:
Eto-ọrọ aje ati Isuna
Nínú ètò ọrọ̀ ajé àti ìnáwó, a máa ń lo ìfàsẹ́yìn ìlà láti ṣe àwòkọ́ṣe ìbáṣepọ̀ láàárín onírúurú àmì ìṣúná owó. Fún àpẹẹrẹ, ìbáṣepọ̀ láàárín owó tí a ń gbà àti lílo, iye owó ọjà àti iye ìṣòwò, tàbí àìníṣẹ́ àti ìfàsẹ́yìn owó.
Ìmọ́tótó
Nínú ìtọ́jú ìlera, a lè lo ìfàsẹ́yìn ìlà láti sọ àsọtẹ́lẹ̀ àwọn àbájáde ìṣègùn bí ìfúnpá ẹ̀jẹ̀ tí ó da lórí ìwọ̀n ara (BMI), tàbí ìbáṣepọ̀ láàárín ìwọ̀n oògùn àti ìwọ̀n ìlera aláìsàn.
Pemasaran
A tun lo atunṣe laini ninu titaja lati ṣe itupalẹ data tita, asọtẹlẹ ibeere ọja, ati pinnu ipa ti awọn ipolongo ipolowo.
Ìmọ̀-ẹ̀rọ àti Ìmọ̀-ẹ̀rọ
Nínú ìmọ̀ ẹ̀rọ àti ìmọ̀ sáyẹ́ǹsì, a sábà máa ń lo ìfàsẹ́yìn ìlà láti ṣe àwòkọ́ṣe àwọn ìbáṣepọ̀ láàrín àwọn oníyípadà ara. Fún àpẹẹrẹ, ìbáṣepọ̀ láàrín wàhálà àti ìdàrúdàpọ̀ nínú ohun èlò kan, tàbí láàrín ìwọ̀n otútù àti ìfàsẹ́yìn ooru.
Àwọn Àǹfààní Ìfàsẹ́yìn Línírónì
Rọrùn ati Rọrùn lati Loye
Ọ̀kan lára àwọn àǹfààní pàtàkì ti ìfàsẹ́yìn ìlà ni ìrọ̀rùn rẹ̀. Àwòṣe yìí rọrùn láti lóye àti láti túmọ̀, èyí tí ó mú kí ó jẹ́ irinṣẹ́ tó dára fún ìgbékalẹ̀ àti ìbánisọ̀rọ̀.
Ipilẹ fun Awọn Ọna miiran
Ìpadàsẹ́yìn lííníríìnì pèsè ìpìlẹ̀ tó lágbára fún àwọn ọ̀nà ìkọ́ni oníṣirò àti ẹ̀rọ tó díjú síi. Ọ̀pọ̀lọpọ̀ àwọn àpẹẹrẹ tó ti ní ìlọsíwájú, bíi ìpadàsẹ́yìn logistic àti àwọn nẹ́tíwọ́ọ̀kì neural, ló dá lórí àwọn ìlànà ìpadàsẹ́yìn lííníríìnì.
Ìdámọ̀ Ìbáṣepọ̀
Ìyípadà ìlà líníà gba àwọn olùlò láàyè láti dá àwọn ìbáṣepọ̀ láàrín àwọn oníyípadà mọ̀ àti láti ṣe ìwọ̀n wọn, èyí tí a lè lò láti ṣe àsọtẹ́lẹ̀ tó ní ìmọ̀ àti láti ṣe ìpinnu tó dára jù.
Awọn idiwọn ti Ilọsiwaju Laini
Ìrònú Línímẹ́ríìtì
Ìfàsẹ́yìn ìlà (linear regression) gba ìbáṣepọ̀ ìlà láàárín àwọn oníyípadà, èyí tí ó lè má jẹ́ bẹ́ẹ̀ nígbà gbogbo nínú dátà gidi. Fún dátà tí kì í ṣe ìlà, àwọn ọ̀nà míràn bíi ìfàsẹ́yìn polynomial tàbí àwọn àwòṣe tí kì í ṣe parametric lè jẹ́ èyí tó yẹ jù.
Ó ní ìmọ̀lára sí àwọn Outliers
Àwọn àpẹẹrẹ ìfàsẹ́yìn ìlà ní ìmọ̀lára púpọ̀ sí àwọn ohun tí kò ní agbára púpọ̀ (àwọn ìwọ̀n tí ó ga jùlọ) tí ó lè yí àwọn àbájáde padà. Nítorí náà, ó ṣe pàtàkì láti ṣàyẹ̀wò dátà náà kí a sì yanjú àwọn ohun tí kò ní agbára púpọ̀ kí a tó ṣe àgbéyẹ̀wò ìfàsẹ́yìn.
Onírúurú ìṣọ̀kan
Nínú ìfàsẹ́yìn onílà púpọ̀, multicollinearity máa ń wáyé nígbà tí àwọn oníyípadà aláìdádúró bá ní ìbáṣepọ̀ gíga pẹ̀lú ara wọn, èyí tí ó lè mú kí ó ṣòro láti ṣe ìṣirò àwọn coefficients ní pípé. Èyí ni a lè yanjú nípa lílo àwọn ọ̀nà bíi principal component analysis (PCA) tàbí regularization.
Kò Gba Ìṣòro Rẹ̀
Ìfàsẹ́yìn ìlà kìí sábà lè mú àwọn ìbáṣepọ̀ tó díjú jù láàrín àwọn oníyípadà. Ní ọ̀pọ̀lọpọ̀ ìgbà, àwọn àpẹẹrẹ tó díjú jù bíi ìfàsẹ́yìn àìláì ... láti rí àwọn àbájáde tó péye jù.
Ipari
Ìpadàsẹ́yìn lííní jẹ́ irinṣẹ́ tó lágbára àti tó wúlò nínú ìṣàyẹ̀wò àti àsọtẹ́lẹ̀ dátà. Láìka bí ó ṣe rọrùn tó, àwòṣe yìí ń fúnni ní ìpìlẹ̀ tó lágbára fún òye àjọṣepọ̀ láàrín àwọn oníyípadà àti ṣíṣe àsọtẹ́lẹ̀ tí ó dá lórí dátà ìtàn. Nípa lílóye àwọn àǹfààní àti ààlà rẹ̀, àwọn olùwádìí àti àwọn onímọ̀ nípa ìyípadà lííníní lè lo ìyípadà lííníní ní ọ̀nà tó dára jù àti ní ọ̀nà tó bójú mu nínú onírúurú ohun èlò.
Ní ìparí, yálà o jẹ́ akẹ́kọ̀ọ́, olùwádìí, tàbí ògbóǹtarìgì tí ó ń ṣiṣẹ́ pẹ̀lú dátà, mímọ èrò ìfàsẹ́yìn ìlà yóò mú kí ìṣàyẹ̀wò dátà àti àwọn ọgbọ́n ṣíṣe ìpinnu rẹ sunwọ̀n síi. So ìfàsẹ́yìn ìlà pọ̀ mọ́ àwọn irinṣẹ́ ìṣàyẹ̀wò rẹ, ìwọ yóò sì rí i pé òye rẹ nípa dátà àti ìbáṣepọ̀ láàrín àwọn oníyípadà yóò jinlẹ̀ síi.
