গ্রোথ চার্ট তৈরির সেরা পদ্ধতি


10

5 থেকে 15 বছর বয়সের বাচ্চাদের জন্য কেবল চার্ট (বৃদ্ধির চার্টের সমান) তৈরি করতে হবে (শুধুমাত্র 5,6,7 ইত্যাদি; স্বাস্থ্য ভেরিয়েবলের জন্য কোন ভগ্নাংশের মান নেই 2.6 বছর) যা অ-নেতিবাচক, ধারাবাহিক এবং ইন 50-150 এর ব্যাপ্তি (এই সীমার বাইরে কয়েকটি মান সহ)। আমাকে 90 তম, 95 তম এবং 99 তম পার্সেন্টাইল বক্ররেখা তৈরি করতে হবে এবং এই শতকরা জন্য টেবিলও তৈরি করতে হবে। নমুনা আকার প্রায় 8000।

আমি নিম্নলিখিত সম্ভাব্য উপায়গুলি পরীক্ষা করে দেখেছি:

  1. কোয়ান্টাইলগুলি সন্ধান করুন এবং তারপরে এই কোয়ান্টাইলগুলি থেকে একটি মসৃণ বক্রতা পেতে লোস পদ্ধতিটি ব্যবহার করুন। মসৃণতার ডিগ্রি 'স্প্যান' পরামিতি দ্বারা সামঞ্জস্য করা যেতে পারে।

  2. এলএমএস (ল্যাম্বডা-মু-সিগমা) পদ্ধতিটি ব্যবহার করুন (যেমন আরএমএলে গ্যামলস বা ভিজিএএম প্যাকেজ ব্যবহার করা)।

  3. কোয়ান্টাইল রিগ্রেশন ব্যবহার করুন।

  4. সেই বয়সের জন্য শতকরা অনুমান করতে এবং পারসেন্টাইল বক্ররেখা তৈরি করতে প্রতিটি বয়সের গোষ্ঠীর গড় এবং এসডি ব্যবহার করুন।

এটা করার সবচেয়ে ভালো উপায় কি? 'সেরা' দ্বারা আমার অর্থ হয় আদর্শ পদ্ধতি যা এই জাতীয় বৃদ্ধি কার্ভগুলি তৈরির মানক পদ্ধতি এবং এটি সকলের কাছে গ্রহণযোগ্য হবে। বা পদ্ধতি প্রয়োগের জন্য একটি সহজ এবং সহজ, যার কিছু সীমাবদ্ধতা থাকতে পারে তবে এটি একটি গ্রহণযোগ্য, দ্রুত পদ্ধতি। (উদাহরণস্বরূপ পার্সেন্টাইল মানগুলিতে লোইস ব্যবহার করা গ্যাম্লাস প্যাকেজের এলএমএস ব্যবহারের চেয়ে অনেক দ্রুত)।

এছাড়াও সেই পদ্ধতির জন্য বেসিক আর কোডটি কী হবে।

আপনার সাহায্যের জন্য ধন্যবাদ.


2
আপনি "সেরা" জিজ্ঞাসা করছেন যা সাধারনত কঠিন এবং অসম্ভবের মাঝে নির্দিষ্টরূপে আলোচনা করা উচিত। (স্তরের "সর্বোত্তম" পরিমাপ যথেষ্ট কঠিন)) আপনি আপনার প্রশ্নটি শিশুদের স্বাস্থ্যের পরিবর্তনের সাথে স্পষ্টভাবে বেঁধে দিয়েছেন, তবে "সেরা" সম্পর্কে আপনার মানদণ্ড সুস্পষ্ট নয়, বিশেষত কোন ধরণের স্বাচ্ছন্দ্য বা ডিগ্রিটি গ্রহণযোগ্য বা অগ্রহণযোগ্য are
নিক কক্স

আমি এই প্রচেষ্টাটিকে স্বাগত জানাই, তবে ক) স্পষ্টতই অস্তিত্ব নেই, অন্যথায় কেন প্রতিদ্বন্দ্বী সমাধান রয়েছে, বা আপনি যে সাহিত্যটি পড়ছেন তাতে কেন এটি স্পষ্ট হয় না? শতাব্দী পুরনো না হলেও এই সমস্যাটির প্রতি আগ্রহ অবশ্যই কয়েক দশক। সহজতর অর্থ: সাধারণভাবে বোঝা সহজ, চিকিত্সকরা বা অ-পরিসংখ্যানযুক্ত মনের পেশাদারদের কাছে ব্যাখ্যা করা সহজ, কার্যকর করা সহজ, ...? আমি নিঃসন্দেহে পিক দেখে মনে করি, তবে এখানে গতির প্রতি কেন যত্ন নেওয়া উচিত? এই পদ্ধতিগুলির কোনওটিই গণনার দাবিতে নয়।
নিক কক্স

@ নিককক্স: আপনার মন্তব্য অনুসারে আমি প্রশ্নটি সম্পাদনা করেছি। আমি একটি সত্য উত্তর প্রশংসা করব।
rnso

1
দুঃখিত, তবে আমি এই ক্ষেত্রে কাজ করি না এবং আমি মনে করি আপনার প্রশ্নের উত্তরটি খুব অধরা। মন্তব্যগুলি উপস্থিত রয়েছে কারণ লোকেরা উত্তর দিতে অক্ষম বা অনিচ্ছুক হতে পারে তবে তবুও কিছু বলার আছে। আমি অর্ডার উত্তর লিখছি না।
নিক কক্স

উত্তর:


6

বৃদ্ধি কার্ভগুলিতে একটি বৃহত সাহিত্য রয়েছে। আমার মনে তিনটি "শীর্ষ" পন্থা রয়েছে। তিনটিই, সময় পর্যাপ্ত সংখ্যক নট (যেমন,)) সহ একটি সীমাবদ্ধ ঘন স্প্লাইন হিসাবে মডেল করা হয়। এটি দুর্দান্ত পারফরম্যান্স এবং সহজ ব্যাখ্যা সহ একটি প্যারাম্যাট্রিক স্মুথ।

  1. ধারাবাহিক-সময় এআর 1 এর মতো বোধগম্য সম্পর্কের প্যাটার্ন সহ দ্রাঘিমাংশীয় তথ্যের জন্য ধ্রুপদী বৃদ্ধির কার্ভ মডেলগুলি (সাধারণভাবে সর্বনিম্ন স্কোয়ারগুলি)। যদি আপনি দেখতে পারেন যে অবশিষ্টাংশগুলি গাউসিয়ান তবে আপনি অনুমানিত উপায় এবং সাধারণ মানক বিচ্যুতি ব্যবহার করে কোয়ান্টাইলগুলির এমএলই পেতে পারেন।
  2. এন
  3. ওয়াইওয়াই

আপনি যখন আনুপাতিক প্রতিকূলতা ব্যবহার করেছেন, আপনি কীভাবে ফলাফলের এতগুলি স্তর সহ পিও অনুমানকে (এটি ব্যর্থকৃত) ধরে রেখেছেন? ধন্যবাদ।
জুলাইথ

2
এমনকি এটি ব্যর্থ হলেও সামগ্রিকভাবে কম অনুমানের কারণে মডেল অন্য কয়েকটি মডেলের তুলনায় আরও ভাল পারফর্ম করতে পারে। বা আনুষ্ঠানিক বিপদের মতো অন্যান্য অর্ডিনাল মডেলগুলির ক্রমবর্ধমান সম্ভাবনা পরিবারের মধ্যে একটিতে স্যুইচ করুন (লগ-লগ সংযোজনীয় প্রোব link লিঙ্ক)।
ফ্র্যাঙ্ক হ্যারেল

1

গউসিয়ান প্রক্রিয়া রিগ্রেশন । স্কোয়ার্ড এক্সফেনশনিয়াল কার্নেল দিয়ে শুরু করুন এবং চোখ দিয়ে প্যারামিটারটি টিউন এবং টিউন করুন। পরে, আপনি যদি জিনিসগুলি যথাযথভাবে করতে চান তবে বিভিন্ন কার্নেলের সাথে পরীক্ষা করুন এবং পরামিতিগুলি অনুকূল করতে প্রান্তিক সম্ভাবনাটি ব্যবহার করুন।

আপনি যদি উপরে লিঙ্কযুক্ত টিউটোরিয়ালটির চেয়ে আরও বিশদ চান তবে এই বইটি দুর্দান্ত


আপনার উত্তরের জন্য ধন্যবাদ. উল্লিখিত অন্যান্য পদ্ধতির তুলনায় আপনি গাউসীয় প্রক্রিয়া রিগ্রেশনকে কীভাবে রেট করেন? দ্বিতীয় গসিয়ান চক্রান্ত scikit-learn.org/0.11/auto_examples/gaussian_process/... : খুব ধুসর - হরিদ্রাভ রঙের মিহি মাটির স্তর যা রাইন (স্থানীয় রিগ্রেশন) এর এই পৃষ্ঠায় দ্বিতীয় গত চক্রান্ত অনুরূপ প্রদর্শিত princeofslides.blogspot.in/2011/05/... । লস সম্পাদন করা অনেক সহজ।
rnso

ব্যক্তিগতভাবে, আমি দৃ fit়ভাবে জিপিআরকে পছন্দ করি যে কোনও ডেটাসেটের জন্য এটি আপনাকে ফিট করতে দেয় enough তাত্ত্বিক দৃষ্টিকোণ থেকে অনেক "ভাল" হওয়ার পাশাপাশি এটি আরও নমনীয়, মজবুত এবং ভাল-ক্যালিব্রেটেড সম্ভাব্য আউটপুট দেয়। সব কিছু বলার পরেও, যদি আপনার ডেটা ঘন এবং ভাল আচরণ করে, তবে আপনার শ্রোতা সম্ভবত পরিসংখ্যানবিদ না হলে LOESS এবং জিপিআরের মধ্যে পার্থক্য বলতে সক্ষম হবেন না।
অ্যান্ডি জোন্স

3
Yএক্স

1
@ নিক: আমার উদ্দেশ্য পরামর্শটি ছিল আপনার তথ্যগুলির একটি মডেল তৈরি করা এবং তারপরে (মসৃণ) পার্সেন্টাইল বক্ররেখা তৈরি করতে মডেলটি ব্যবহার করুন। এখন আপনি এটি উল্লেখ করেছেন, হ্যাঁ আমি দ্বিতীয় উপাদানটি (যেমন আসল প্রশ্ন) সম্পূর্ণরূপে মিস করেছি।
অ্যান্ডি জোন্স 12

1
1.96
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.