বর্গমূল দিয়ে ডেটা রুপান্তরিত করার জন্য, আমি যা ভাবতে পারি তার কোনও কারণ আছে? আমি যা বোঝাতে চাইছি তা হ'ল আর। 2 বৃদ্ধি পায়। তবে এটি সম্ভবত কেবলমাত্র তথ্য কেন্দ্রিকতার কারণে! কোন চিন্তা প্রশংসা করা হয়!
বর্গমূল দিয়ে ডেটা রুপান্তরিত করার জন্য, আমি যা ভাবতে পারি তার কোনও কারণ আছে? আমি যা বোঝাতে চাইছি তা হ'ল আর। 2 বৃদ্ধি পায়। তবে এটি সম্ভবত কেবলমাত্র তথ্য কেন্দ্রিকতার কারণে! কোন চিন্তা প্রশংসা করা হয়!
উত্তর:
সাধারণভাবে, প্যারামেট্রিক রিগ্রেশন / জিএলএম ধরে নেয় যে ভেরিয়েবল এবং প্রতিটি এক্স এর মধ্যে সম্পর্ক ভেরিয়েবলের লিনিয়ার, যে আপনি একবার মডেলটি ফিট করেছেন সেগুলি একটি সাধারণ বিতরণ অনুসরণ করে এবং অবশিষ্টাংশের আকার একইভাবে থাকে আপনার লাগানো লাইন বরাবর। যখন আপনার ডেটা এই অনুমানগুলির সাথে সম্মতি দেয় না, রূপান্তরগুলি সহায়তা করতে পারে।
এটি স্বজ্ঞাত হওয়া উচিত যে যদি এক্স 2 এর সাথে সমানুপাতিক হয় তবে স্কোয়ার-রুট করা ওয়াই এই সম্পর্কটিকে লিনিয়ারাইজ করে, এমন একটি মডেলের দিকে নিয়ে যায় যা অনুমানগুলিকে আরও ভালভাবে ফিট করে এবং আরও বেশি বৈচিত্রের ব্যাখ্যা দেয় (উচ্চতর আর 2 রয়েছে )। স্কোয়ার রুট করা ওয়াই এছাড়াও আপনাকে সহায়তা করে যখন আপনার এক্স এর মান হিসাবে আপনার অবশিষ্টাংশের আকার ক্রমান্বয়ে বৃদ্ধি পায়বৃদ্ধি (অর্থাত্ লাগানো লাইনের চারপাশে ডেটা পয়েন্টের বিক্ষিপ্ততরটি আপনি এর পাশ দিয়ে যাওয়ার সাথে সাথে আরও চিহ্নিত হয়ে যায়)। বর্গমূলের ফাংশনটির আকার সম্পর্কে চিন্তা করুন: এটি প্রথমে খাড়াভাবে বৃদ্ধি পায় তবে তারপরে স্যাচুরেট হয়। সুতরাং স্কোয়ার রুটের ট্রান্সফর্মটি প্রয়োগ করা ছোট সংখ্যাকে স্ফীত করে তবে বড়গুলি স্থিতিশীল করে। সুতরাং আপনি এটিকে লাগানো লাইন থেকে দূরে কম মানগুলিতে ছোট্ট রেসিডুয়ালগুলিকে ঠেলা এবং উচ্চ এক্স মানগুলিতে লাইনটির দিকে বড় রেসিডুয়ালগুলি স্কোচিং হিসাবে ভাবতে পারেন । (এটি মানসিক শর্টহ্যান্ড সঠিক গণিত নয়!)
দিমিত্রিজ ও ওকরাম যেমন বলেছেন, এটি কেবলমাত্র একটি সম্ভাব্য রূপান্তর যা নির্দিষ্ট পরিস্থিতিতে সহায়তা করবে এবং বক্স-কক্স সূত্রের মতো সরঞ্জামগুলি আপনাকে সবচেয়ে দরকারীটিকে বেছে নিতে সহায়তা করতে পারে। আপনি যখন কোনও মডেল ফিট করেন তবে আমি স্থায়ী মানগুলির (এবং একটি সাধারণ সম্ভাবনার প্লট বা অবশিষ্টাংশের হিস্টোগ্রাম) বিরুদ্ধে সর্বদা প্লট অবশেষের দিকে তাকানোর অভ্যাসে প্রবেশের পরামর্শ দেব। আপনি দেখতে পাবেন যে আপনি প্রায়শই এইগুলি থেকে দেখতে সক্ষম হবেন যে কী ধরণের রূপান্তর সাহায্য করবে।
তবে এটি একটি পূর্ব নির্ধারিত মান অনুকূল হতে পারে (এবং সম্ভবত এটি) অনুকূল নয়। আর আপনি car
লাইব্রেরি থেকে এমন একটি ফাংশন বিবেচনা করতে পারেন powerTransform
যা লাইনারি রিগ্রেশন বা আপনার সাথে কাজ করে এমন কোনও ডেটাতে অংশ নিয়েছে এমন প্রতিটি ভেরিয়েবলের বক্স-কক্স রূপান্তরকরণের জন্য অনুকূল মান অনুমান করতে সহায়তা করে ( example(powerTransform)
আরও বিশদগুলির জন্য দেখুন)।
যখন ভেরিয়েবল কোনও পোইসন বিতরণ অনুসরণ করে, বর্গমূলের রূপান্তরগুলির ফলাফল গাউসির কাছাকাছি হবে।
ব্রা-কার্টিসের সাথে গণনা করা দূরত্বের ম্যাট্রিক্স সাধারণত কিছু ডেটার জন্য মেট্রিক হয় না, নেতিবাচক ইগেনভ্যালুগুলিকে জন্ম দেয়। এই সমস্যাটি কাটিয়ে ওঠার অন্যতম সমাধান হ'ল এটিকে রূপান্তর করা (লোগারিদমিক, স্কোয়ার রুট বা ডাবল স্কোয়ার রুট)।