প্লট এবং লিনিয়ার বীজগণিত ব্যবহার না করে সাধারণ লিনিয়ার রিগ্রেশন করা যায়?


47

আমি সম্পূর্ণ অন্ধ এবং একটি প্রোগ্রামিং ব্যাকগ্রাউন্ড থেকে এসেছি।

আমি যা করার চেষ্টা করছি তা হচ্ছে মেশিন লার্নিং শেখার, এবং এটি করার জন্য, প্রথমে আমাকে লিনিয়ার রিগ্রেশন সম্পর্কে শিখতে হবে। ইন্টারনেটে সমস্ত ব্যাখ্যা আমি এই বিষয়টি সম্পর্কে খুঁজে পাচ্ছি ডেটা প্রথমে প্লট করে। আমি লিনিয়ার রিগ্রেশন সম্পর্কিত ব্যবহারিক ব্যাখ্যা খুঁজছি যা গ্রাফ এবং প্লটগুলির উপর নির্ভর করে না।

এখানে সরল রৈখিক প্রতিরোধের লক্ষ্য সম্পর্কে আমার বোঝার জন্য:

সাধারণ লিনিয়ার রিগ্রেশন সূত্রটি অনুসন্ধান করার চেষ্টা করছে যা আপনি একবার Xএটি দিলে আপনাকে নিকটতম অনুমান সরবরাহ করে Y

সুতরাং, যেমনটি আমি এটি বুঝতে পারি, ভবিষ্যদ্বাণীকারীকে (উদাহরণস্বরূপ বর্গফুটের একটি বাড়ির অঞ্চল) তুলনামূলকভাবে স্বাধীন ভেরিয়েবলের (দাম) সাথে কী করা দরকার। আমার উদাহরণে, আপনি সম্ভবত তার অঞ্চল থেকে কোনও বাড়ির দাম গণনা করার জন্য সেরা সূত্র পাওয়ার একটি অ-ভিজ্যুয়াল উপায় তৈরি করতে পারেন। উদাহরণস্বরূপ, সম্ভবত আপনি কোনও প্রতিবেশী অঞ্চলের 1000 টির বাড়ী এবং দাম পেতে পারেন এবং সেই অঞ্চলে দামটি ভাগ করবেন? ফলাফল (কমপক্ষে ইরান যেখানে আমি থাকি সেখানে) এর একটি খুব নগণ্য বৈচিত্র হবে। সুতরাং আপনি সম্ভবত এরকম কিছু পাবেন:

Price = 2333 Rials * Area of the house

অবশ্যই, আপনার তারপরে আপনার ডেটা সেটের সমস্ত 1000 টি ঘর যেতে হবে, উপরের সূত্রে অঞ্চলটি স্থাপন করুন, প্রাক্কলনটিকে আসল দামের সাথে তুলনা করুন, ফলাফলগুলি বর্গাকার করুন (আমি ধারণা করি যে একে অপরকে বাতিল করতে না পারায় পরিবর্তনগুলি প্রতিরোধ করতে পারে) এবং তারপরে একটি নম্বর পান, তারপরে 2333ত্রুটিগুলি হ্রাস করার জন্য চারপাশে খেলতে থাকুন ।

অবশ্যই, এটি হিংস্র বলের বিকল্প যেখানে এটি সম্ভবত ত্রুটিগুলি গণনা করতে এবং সেরা বিকল্পটিতে পৌঁছাতে যুগে যুগে সময় নেবে, তবে আপনি কি দেখছেন আমি কি বলছি? আমি কোনও গ্রাফ, বা একটি লাইন, বা কোনও প্লটের উপরে পয়েন্ট বা আপনার বিদ্যমান ডেটাতে কোনও লাইন ফিটিংয়ের সর্বোত্তম উপায় সম্পর্কে কিছুই বলিনি।

সুতরাং, কেন এর জন্য আপনার একটি স্কেটার প্লট এবং লিনিয়ার বীজগণিতের প্রয়োজন হবে? অ-ভিজ্যুয়াল উপায় নেই?

প্রথমত, আমি কি আমার অনুমানগুলিতে ঠিক আছি? যদি তা না হয় তবে আমি সংশোধন করতে চাই। আমি থাকি বা না থাকি, যদিও লিনিয়ার বীজগণিতের সাথে না ঘুরে এই সূত্রটি নিয়ে আসার উপায় আছে?

আমি ব্যাখ্যা সহ একটি উদাহরণ পেতে পারলে সত্যই এটির প্রশংসা করব, যাতে আমি আমার বোধগম্যতা পরীক্ষা করার জন্য পাঠ্যের সাথে এটিও করতে পারি।


2
তবে আপনার কাছে কি দর্শনীয় স্থানটি ধারণ করতে পারে এমন স্পেসিয়াল কল্পনা রয়েছে? যদি হ্যাঁ, তবে আমি মনে করি কোনও ছড়িয়ে ছিটিয়ে থাকা কোনও উপায়ে কল্পনা করা যায়। আমি সন্দেহ করি যে প্রতিরোধের প্রয়োজনীয়তা সম্পূর্ণরূপে প্রস্তাবমূলক চিন্তা (যেমন মৌখিক) দ্বারা ক্যাপচার করা যেতে পারে।
ttnphns

3
আপনার গণিতের পটভূমি কী? সিম্পল লিনিয়ার রিগ্রেশন নামে পরিচিত উইকিপিডিয়া পৃষ্ঠাটি বেশিরভাগই পাঠ্য, এবং যা আমার মনে হয় এটি প্রথম অনুচ্ছেদে যথাযথভাবে পরিষ্কার বর্ণনা রয়েছে। আপনি যে বিবরণটি সন্ধান করছেন তার সাথে কীভাবে সেই নিবন্ধটি তুলনা করে?
শ্যাডটলকার

3
আমি এটি ভাবতে থাকব, আমি উঠে আসতে পারি কিনা তা দেখুন, তবে ব্যাট থেকে সরাসরি, কোনও সমাধান নেই এমন সমীকরণের সমাধান হিসাবে রিগ্রেশন সম্পর্কে ভাবেন। আপনার সমস্ত ডেটা পয়েন্টগুলি আপনার নিবন্ধকের (ঘরের অঞ্চল) দ্বারা ভুলভাবে পূর্বাভাস দেওয়া হবে। আপনি এমন একটি সমীকরণ খুঁজছেন যা আপনার ত্রুটিগুলি যতটা সম্ভব সহনীয় করে তোলে।
আন্তনি পরল্লদা

8
চমৎকার প্রশ্ন, প্রতিবন্ধী ব্যক্তিদের কাছে আমাদের ধারণাগুলি ব্যাখ্যা করার জন্য আমাদের আরও চিন্তা করা দরকার
আকসাকাল

4
p+1

উত্তর:


17

βEββ

βEβββ

β

সম্পাদনা করুন: এই জাতীয় উপকরণের সাথে কয়েকটি নোটের লিঙ্ক এখানে। গণিতটি একটু অগোছালো হয়ে যায় তবে এটি মূলত এটি একটি ক্যালকুলাসের সমস্যা।


ঈশ্বর. অবশেষে! এটি গণনা করার জন্য একটি অ-রৈখিক-বীজগণিত উপায়। আপনার উত্তরে আপনি যে ধারণাগুলির কথা বলছেন সেগুলি আমার মাথা থেকে শেষ, তবে আমি আরও ভালভাবে চিন্তা করার এই লাইনটি বোঝার প্রয়াসে স্পষ্টতই ডেরাইভেটিভগুলিতে সন্ধান করব।
পারহাম দৌস্তদার

1
E(β)βE

4
β

2
কমপক্ষে স্কোয়াস রিগ্রেশনের জন্য আপনাকে গ্রেডিয়েন্ট শালীন করার প্রয়োজন নেই যেহেতু আপনি কোনও সমীকরণের সমাধান করতে পারেন যা উত্তর, তবে এটি মেশিন লার্নিং কী তা বোঝার একটি ভাল উপায় দেয়। এটি ত্রুটি পরিমাপের একটি উপায় চয়ন করে এবং তারপরে ত্রুটির সমীকরণকে হ্রাস করার কোনও উপায় খুঁজে পাওয়া যায়। ফলাফলটি ডেটা দিয়ে শিখে নেওয়া "সেরা" অনুমানের সমীকরণ। আমি আশা করি এটি আপনাকে মেশিন লার্নিংয়ের পথে সহায়তা করবে!
ক্রিস রাকাকাকাস

10

আপনার বোঝার পাসে, কিন্তু কিছু এক্সটেনশন দরকার: সরল রৈখিক রিগ্রেশনের সূত্র একবার আপনি দিতে খুঁজে বের করার চেষ্টা করা হয় Xএটা, আপনি নিকটতম প্রাক্কলন সঙ্গে প্রদান করবে Y মধ্যে একটি রৈখিক সম্পর্ক উপর ভিত্তি করে X এবং Y

আপনার বাড়ির দামের উদাহরণ, যখন কিছুটা প্রসারিত করা হয়, তা দেখায় যে আপনি কেন ছড়িয়ে ছিটিয়ে প্লট এবং এর মতো শেষ করেন। প্রথমত, কেবলমাত্র অঞ্চলটির দ্বারা দাম ভাগ করে নেওয়া অন্যান্য ক্ষেত্রে যেমন কাজ করে না, যেমন আমার বাড়ির শহরে জমির দাম, যেখানে নির্মাণ সংক্রান্ত বিধিবিধানের অর্থ হ'ল কেবল বাড়িটির পার্সেলের মালিক যার উপর আপনি বাড়ি তৈরি করতে পারেন তার উচ্চ মূল্য রয়েছে। সুতরাং জমির দামগুলি কেবল অঞ্চলের সমানুপাতিক নয়। পার্সেল অঞ্চল প্রতিটি বৃদ্ধি পার্সেল মান একই বৃদ্ধি দিতে পারে , কিন্তু আপনি 0 অঞ্চলের একটি (পৌরাণিক) পার্সেল নেমে গেলে সেখানে এখনও একটি সম্পর্কিত আপাত দাম থাকতে পারে যা কেবলমাত্র একটি পার্সেল জমির মূল্য উপস্থাপন করে এটি নির্মাণের জন্য অনুমোদিত।

এটি এখনও অঞ্চল এবং মানের মধ্যে লিনিয়ার সম্পর্ক, তবে সম্পর্কের মধ্যে একটি বাধা রয়েছে, কেবলমাত্র একটি পার্সেল মালিকানার মান উপস্থাপন করে। এই তবুও একটি তোলে রৈখিক সম্পর্ক যে পরিবর্তন ইউনিট প্রতি মূল্য পরিবর্তন এলাকায়, ঢাল বা রিগ্রেশন সহগ, সবসময় একই এলাকায় বা মূল্যের উপরে হিসাব মাত্রার নির্বিশেষে হয়।

সুতরাং বলুন যে পার্সেল অঞ্চলগুলি মূল্যর সাথে সম্পর্কিত এমন কোনওভাবে ইতিমধ্যে আপনি ইতিমধ্যে উভয়ই জানেন এবং ঝাল both আপনি দেখতে পাবেন যে পূর্বাভাসিত এবং আসল মানগুলি কদাচিৎ মিলে যায়। এই তাত্পর্যগুলি আপনার মডেলের ত্রুটিগুলি উপস্থাপন করে এবং পূর্বাভাসযুক্ত সম্পর্কের চারপাশে মানগুলির বিচ্ছুরণ ঘটায়। আপনি অঞ্চল এবং মানের মধ্যে আপনার পূর্বাভাস সরল-লাইন সম্পর্ক কাছাকাছি ক্লাস্টার পয়েন্ট একটি বিক্ষিপ্ত প্লট পাবেন।

বেশিরভাগ ব্যবহারিক উদাহরণগুলিতে আপনি ইতিমধ্যে ইন্টারসেপ্ট এবং slাল জানেন না, তাই আপনাকে তাদের ডেটা থেকে অনুমান করার চেষ্টা করতে হবে। লিনিয়ার রিগ্রেশন এটি করার চেষ্টা করে।

লিনিয়ার রিগ্রেশন এবং সম্পর্কিত মডেলিং সম্পর্কে সর্বাধিক সম্ভাবনা অনুমানের দৃষ্টিকোণ থেকে আপনি আরও ভাল হতে পারেন , যা আপনার মডেলের নির্দিষ্ট পরামিতি মানগুলির জন্য অনুসন্ধান যা ডেটাটিকে সবচেয়ে সম্ভাব্য করে তোলে। এটি আপনার প্রশ্নে প্রস্তাবিত "ব্রুট-ফোর্স" পদ্ধতির অনুরূপ, তবে আপনি কী অপ্টিমাইজ করার চেষ্টা করছেন তার কিছুটা আলাদা পরিমাপ রয়েছে। আধুনিক কম্পিউটিং পদ্ধতি এবং অনুসন্ধান প্যাটার্নের বুদ্ধিমান ডিজাইনের সাহায্যে এটি বেশ দ্রুত সম্পন্ন করা যায়।

গ্রাফিকাল প্লটের প্রয়োজন হয় না এমন সর্বাধিক সম্ভাবনার প্রাক্কলনটি এমনভাবে ধারণা করা যেতে পারে যা আপনি ইতিমধ্যে ভাবছেন বলে মনে হয় similar লিনিয়ার রিগ্রেশন ক্ষেত্রে, উভয় স্ট্যান্ডার্ড সর্বনিম্ন-স্কোয়ারের রিগ্রেশন এবং সর্বাধিক সম্ভাবনা ইন্টারসেপ্ট এবং opeালের একই অনুমান সরবরাহ করে।

সর্বাধিক সম্ভাবনার শর্তাবলী বিবেচনা করার অতিরিক্ত সুবিধা রয়েছে যে এটি অন্যান্য পরিস্থিতিতে আরও ভালভাবে প্রসারিত হয়েছে যেখানে কঠোরভাবে রৈখিক সম্পর্ক নেই। একটি ভাল উদাহরণ লজিস্টিক রিগ্রেশন যা আপনি ভবিষ্যদ্বাণী ভেরিয়েবলের উপর ভিত্তি করে ঘটে যাওয়া কোনও ঘটনার সম্ভাবনা অনুমান করার চেষ্টা করেন। এটি সর্বাধিক সম্ভাবনার দ্বারা সম্পন্ন করা যেতে পারে, তবে স্ট্যান্ডার্ড লিনিয়ার রিগ্রেশন এর বিপরীতে এমন কোনও সাধারণ সমীকরণ নেই যা লজিস্টিক রিগ্রেশন-এ ইন্টারসেপ্ট এবং opালু উত্পাদন করে।


1
x2

@fcop আপনি সঠিক আছেন আমি ওপি কর্তৃক প্রদত্ত উদাহরণ থেকে শুরু করেছিলাম যা মান এবং ক্ষেত্রের মধ্যে একটি সমানুপাতিকতা পোষণ করেছিল। শক্তি বা লগের মতো রূপান্তর যখন ব্যবহৃত হয় তখন আমি রিগ্রেশনটিতে আসল স্বতন্ত্র ভেরিয়েবল হিসাবে আসল প্রেডিকটর ভেরিয়েবলের রূপান্তরিত মানগুলি নিয়ে ভাবতে চাই। আমি মনে করি যে এটি ব্যবহারের পরিসমাপ্তিতে বেশিরভাগ পরিভাষায় একটি পার্থক্য রয়েছে, যদিও ইম্প্লিড ত্রুটি মডেলগুলির মধ্যে পার্থক্য রয়েছে।
এডিএম

আমি আপনার

6

প্রথমত, আমার প্রশংসা। প্রত্যেকের পক্ষে পরিসংখ্যান নিয়ে লড়াই করা কঠিন (আমি একজন চিকিত্সক, সুতরাং আপনি অনুমান করতে পারেন যে এটি আমার পক্ষে কতটা কঠিন) ...

আমি লিনিয়ার রিগ্রেশনটির জন্য ভিজ্যুয়াল ব্যাখ্যা হিসাবে প্রস্তাব করতে পারি না , তবে খুব কাছের কিছু: লিনিয়ার রিগ্রেশনটির স্পর্শকাতর ব্যাখ্যা

কল্পনা করুন আপনি একটি দরজা থেকে একটি ঘরে প্রবেশ করছেন। ঘরটি কমবেশি আকারে একটি বর্গক্ষেত্র এবং দরজাটি নীচের বাম কোণে। আপনি পাশের ঘরে যেতে চান, যার দরজা আপনি প্রত্যাশা করছেন যে আরও কম বেশি উপরের ডানদিকে থাকবে। ভাবুন যে আপনি পাশের দরজাটি (কখনই!) ঠিক সেখানে বলতে পারবেন না, তবে ঘরে কিছু লোক ছড়িয়ে ছিটিয়ে রয়েছে এবং তারা আপনাকে বলতে পারবেন যে কোনটি যাবেন। তারা উভয়ই দেখতে পায় না তবে তাদের নিকটে কী রয়েছে তা তারা আপনাকে বলতে পারে। এই লোকদের দ্বারা পরিচালিত, পরবর্তী দরজায় পৌঁছানোর জন্য আপনি যে চূড়ান্ত পথটি নিয়ে যাবেন, এটি একটি রিগ্রেশন লাইনের সাথে সাদৃশ্যপূর্ণ, যা এই লোকগুলির মধ্যে দূরত্বকে হ্রাস করে এবং আপনাকে সঠিক পথে (যদি না চালিয়ে যায়) কাছাকাছি দরজার দিকে নিয়ে আসে।


1
(+1) আমি আপনার উদাহরণটি খুব পছন্দ করি এবং এটি মজার বিষয় যে খাঁটি কাকতালীয়ভাবে আমরা এই সমস্যার জন্য খুব অনুরূপ চিত্র ব্যবহার করেছি!
টিম

"ঘরটি কমবেশি আকারে একটি বর্গক্ষেত্র" - অন্ধ লোকদের বর্গ কি? এই বাক্যটি দিয়ে আপনি আমাদের ফিরে পেয়েছিলেন যেখানে আমরা শুরু করব।
আকসাকাল

4
আমি রাজি নই। তাদের একদিকে 10 ফুট চলতে দিন, তারপরে তাদের 90 turn (যেমন একটি অস্ত্রপাথর) ঘুরিয়ে দেওয়া যাক এবং তাদের আবার 10 ফুট চলতে দিন। যদি আপনি সঠিকভাবে দেখতে না পান তবে এটি একটি বর্গ।
জো_74৪

@ জিউসেপ বিওনদী-জোকাই, যদি আমি তাপমাত্রায় চেম্বারে একটি মডেল চাপ তৈরি করি তবে কেন আমাকে স্কোয়ার এবং লাইন এবং অন্যান্য স্থানিক ধারণাটি আনতে হবে? আপনি অন্ধ না হলে এটি অবশ্যই সুবিধাজনক, তবে অন্ধ ব্যক্তির পক্ষে এই স্থানিক উপমাগুলি সমস্যার জন্য টেবিলে কিছু না নিয়ে আসে, তারা কেবল
প্রকাশকে

2
আবার, আমি বিনয়ের সাথে একমত নই ... আমার ধারণা সবসময়ই অন্ধ লোকেরা স্পর্শকাতর স্থানগত দক্ষতা বিকাশ করেছে। যাইহোক, কোনও কাজ যা ভাল কাজ, এবং আরও বেশি আনন্দদায়ক।
জো_74৪

3

YX

Y=β0+β1X+ε

β0yx

এটি পরিষ্কার করার জন্য, এই উদাহরণটিকে আরও সহজ করতে দিন - যেমন গেলম্যান এবং পার্ক। তারা যে সরলিকরণের প্রস্তাব করেছিল তা হ'ল ভাগ করাXপরিবর্তনশীল, অর্থাত্ বাড়ির ক্ষেত্রফল, তিনটি গ্রুপে বিভক্ত: "ছোট", "মাঝারি" এবং "বড়" ঘরগুলি (তারা কীভাবে অনুকূলভাবে এই জাতীয় সিদ্ধান্ত নেবেন তা বর্ণনা করে তবে এটির গুরুত্ব কম)। এর পরে, "ছোট" বাড়ির গড় আকার এবং "বড়" বাড়ির গড় আকার গণনা করুন। "ছোট" বাড়ির এবং "বড়" একটির গড় মূল্যও গণনা করুন। এখন, আপনার ডেটা দুটি পয়েন্টে হ্রাস করুন - স্পেসে ছড়িয়ে ছিটিয়ে থাকা ছোট এবং বড় বাড়ির জন্য মেঘের ডেটাপয়েন্টগুলির কেন্দ্রগুলি এবং "মাঝারি" বাড়িগুলির সমস্ত ডেটাপয়েন্টগুলি সরিয়ে ফেলুন। আপনার দ্বিমাত্রিক জায়গায় দুটি পয়েন্ট থাকবে। রিগ্রেশন লাইন হল সেই রেখা যা পয়েন্টগুলিকে সংযুক্ত করে - আপনি এটিকে এক বিন্দু থেকে অন্য দিকে যাওয়ার দিক হিসাবে ভাবতে পারেন। β1

যখন আমাদের আরও বেশি পয়েন্ট থাকে তখন জায়গার চারদিকে ছড়িয়ে ছিটিয়ে থাকে: একই রকম হয়: রিগ্রেশন লাইনটি প্রতিটি বিন্দুতে বর্গত্বের দূরত্বকে হ্রাস করে তার পথ সন্ধান করে। সুতরাং লাইনটি ঠিক জায়গাগুলিতে ছড়িয়ে থাকা পয়েন্টের মেঘের মাঝামাঝি দিয়ে চলেছে। দুটি পয়েন্ট সংযোগ স্থাপনের পরিবর্তে, আপনি এ জাতীয় সীমার সীমাহীন সংখ্যক সংযোগ হিসাবে ভাবেন can


গেলম্যান, এ।, এবং পার্ক, ডিজি (২০১২)। উপরের চতুর্থাংশ বা তৃতীয় এবং নিম্ন ত্রৈমাসিক বা তৃতীয় দিকে কোনও ভবিষ্যদ্বাণীকে বিভক্ত করা। আমেরিকান পরিসংখ্যানবিদ, 62 (4), 1-8।


3

সংক্ষিপ্ত উত্তর হল হ্যাঁ. কোন পংক্তির পুরো মধ্যবর্তী অংশে কোন লাইনটি পুরোপুরি বা একটি বিমান বা জাভিলিনের পুরো পৃষ্ঠকে সমন্বিত করে? এটা আকো; আপনার মাথা বা একটি ছবিতে। আপনি সেই নির্জন লাইনের সন্ধান করছেন এবং যা থেকে প্রতিটি পয়েন্ট (আগ্রহের বিষয়, আপনি সেগুলি পরিকল্পনা করেন বা না) যেগুলি এই লাইন থেকে সর্বনিম্ন (পয়েন্টগুলির মধ্যে) বিচ্যুতিতে অবদান রাখবে। আপনি যদি তা চোখের দ্বারা করে থাকেন, সাধারণ জ্ঞান দ্বারা স্পষ্টভাবে, আপনি একটি গাণিতিক গণিত ফলাফল আনুমানিক (উল্লেখযোগ্যভাবে ভাল) হবে। তার জন্য এমন সূত্র রয়েছে যা চোখকে বিরক্ত করে এবং সাধারণ জ্ঞান নাও বয়ে চলে। ইঞ্জিনিয়ারিং এবং বিজ্ঞানের অনুরূপ আনুষ্ঠানিক সমস্যাগুলিতে, ছড়িয়ে পড়া লোকগুলি এখনও চোখের মাধ্যমে প্রাথমিক মূল্যায়নকে আমন্ত্রণ জানায়, তবে সেই ক্ষেত্রগুলিতে একটি "পরীক্ষা" হওয়ার সম্ভাবনা নিয়ে আসে বলে মনে করা হয় যে একটি লাইনই লাইন। এটি সেখানে থেকে উতরাই যায়। যাহোক, আপনি স্পষ্টতই একটি মেশিনকে (ক) একটি আকারের বার্নইয়ার্ড এবং (খ) এর ভিতরে ছড়িয়ে ছিটিয়ে থাকা প্রাণিসম্পদগুলির মেটস এবং সীমানা আকার দিতে শেখানোর চেষ্টা করছেন। যদি আপনি আপনার মেশিনটিকে রিয়েল এস্টেট এবং দখলকারীদের কোনও চিত্র (গ্রাফিক্যাল, বীজগণিত) এর পরিমাণের পরিমাণ দেন তবে এটি আপনি কী করতে চান তা (মধ্যরেখা ঝরঝরে দুটিতে বিভক্ত ব্লবকে গণনা করতে সক্ষম হওয়া উচিত)। যে কোনও শালীন পরিসংখ্যান পাঠ্যপুস্তক (শিক্ষক বা অধ্যাপকদের একের অধিক নাম বলার জন্য) প্রথমে রৈখিক প্রতিরোধের পুরো পয়েন্টটি উভয়টিই বানান করে দেওয়া উচিত এবং কীভাবে সহজ ক্ষেত্রে এটি করা যায় (যেগুলি সহজ নয় এমন ক্ষেত্রে হয়)। বেশ কয়েকটি প্রেটজেল পরে, আপনার এটি ডাউন প্যাট হবে। যদি আপনি আপনার মেশিনটিকে রিয়েল এস্টেট এবং দখলকারীদের কোনও চিত্র (গ্রাফিক্যাল, বীজগণিত) এর পরিমাণের পরিমাণ দেন তবে এটি আপনি কী করতে চান তা (মধ্যরেখা ঝরঝরে দুটিতে বিভক্ত ব্লবকে গণনা করতে সক্ষম হওয়া উচিত)। যে কোনও শালীন পরিসংখ্যান পাঠ্যপুস্তক (শিক্ষক বা অধ্যাপকদের একের অধিক নাম বলার জন্য) প্রথমে রৈখিক প্রতিরোধের পুরো পয়েন্টটি উভয়টিই বানান করে দেওয়া উচিত এবং কীভাবে সহজ ক্ষেত্রে এটি করা যায় (যেগুলি সহজ নয় এমন ক্ষেত্রে হয়)। বেশ কয়েকটি প্রেটজেল পরে, আপনার এটি ডাউন প্যাট হবে। যদি আপনি আপনার মেশিনটিকে রিয়েল এস্টেট এবং দখলকারীদের কোনও চিত্র (গ্রাফিক্যাল, বীজগণিত) এর পরিমাণের পরিমাণ দেন তবে এটি আপনি কী করতে চান তা (মধ্যরেখা ঝরঝরে দুটিতে বিভক্ত ব্লবকে গণনা করতে সক্ষম হওয়া উচিত)। যে কোনও শালীন পরিসংখ্যান পাঠ্যপুস্তক (শিক্ষক বা অধ্যাপকদের একের অধিক নাম বলার জন্য) প্রথমে রৈখিক প্রতিরোধের পুরো পয়েন্টটি উভয়টিই বানান করে দেওয়া উচিত এবং কীভাবে সহজ ক্ষেত্রে এটি করা যায় (যেগুলি সহজ নয় এমন ক্ষেত্রে হয়)। বেশ কয়েকটি প্রেটজেল পরে, আপনার এটি ডাউন প্যাট হবে। যে কোনও শালীন পরিসংখ্যান পাঠ্যপুস্তক (শিক্ষক বা অধ্যাপকদের একের অধিক নাম বলার জন্য) প্রথমে রৈখিক প্রতিরোধের পুরো পয়েন্টটি উভয়টিই বানান করে দেওয়া উচিত এবং কীভাবে সহজ ক্ষেত্রে এটি করা যায় (যেগুলি সহজ নয় এমন ক্ষেত্রে হয়)। বেশ কয়েকটি প্রেটজেল পরে, আপনার এটি ডাউন প্যাট হবে। যে কোনও শালীন পরিসংখ্যান পাঠ্যপুস্তক (শিক্ষক বা অধ্যাপকদের একের অধিক নাম বলার জন্য) প্রথমে রৈখিক প্রতিরোধের পুরো পয়েন্টটি উভয়টিই বানান করে দেওয়া উচিত এবং কীভাবে সহজ ক্ষেত্রে এটি করা যায় (যেগুলি সহজ নয় এমন ক্ষেত্রে হয়)। বেশ কয়েকটি প্রেটজেল পরে, আপনার এটি ডাউন প্যাট হবে।


পুনরায়: আমার পোস্ট সুপ্রে সিলভারফিশের মন্তব্য (এই মন্তব্যে মন্তব্য যোগ করার কোনও সহজ উপায় নেই বলে মনে হয়), হ্যাঁ, ওপি অন্ধ, মেশিন লার্নিং শিখছে, এবং প্লট বা গ্রাফ ছাড়াই বাস্তবতার জন্য অনুরোধ করেছে, তবে আমি ধরেই নিয়েছি তিনি "দৃষ্টি" থেকে "ভিজ্যুয়ালাইজিং" কে পৃথক করতে সক্ষম হন, দৃশ্যধারণ করতে পারেন এবং তাঁর মাথার মধ্যে সত্যিকারের চিত্র রয়েছে এবং তার চারপাশের বিশ্বজুড়ে (ঘরবাড়ি, অন্যদের মধ্যে) সমস্ত ধরণের শারীরিক সম্পর্কে প্রাথমিক ধারণা রয়েছে, তাই তিনি এখনও " "গাণিতিক পাশাপাশি অন্যথায় তার মাথায় উভয়ই আঁকুন এবং সম্ভবত কাগজে 2 ডি এবং 3 ডি এর ভাল লক্ষণ রাখতে পারেন। আজকাল বিস্তৃত বই এবং অন্যান্য গ্রন্থগুলি শারীরিক ব্রেইলের পাশাপাশি নিজের কম্পিউটারে বৈদ্যুতিন ভয়েসে (যেমন ফোরাম, অভিধান ইত্যাদির জন্য) পাওয়া যায়, এবং অন্ধদের জন্য অনেক বিদ্যালয়ে মোটামুটি সম্পূর্ণ পাঠ্যক্রম রয়েছে। প্লেন বা জ্যাভালিনের চেয়ে সোফা বা বেতের প্রয়োজন যথাযথভাবে যথাযথ হবে না এবং পরিসংখ্যানের পাঠ্যগুলি সম্ভবত উপলব্ধ। মেশিনগুলি কীভাবে প্লট করতে এবং গ্রাফ করতে বা রিগ্রেশন গণনা করতে শিখতে পারে তার জন্য তিনি কম উদ্বিগ্ন হন, তারপরে কীভাবে মেশিনগুলি রিগ্রেশনকে উপলব্ধি করতে (কোনও মেশিন এটি প্রদর্শিত হতে পারে, তার প্রতিক্রিয়া জানাতে পারে, অনুসরণ করতে পারে) তার জন্য সমান (এবং আরও বেসিক) কিছু করতে শিখতে পারে এটি, এড়িয়ে চলুন বা যাই হোক না কেন)। অপরিহার্য খোঁচা (অন্ধের পাশাপাশি দৃষ্টিপ্রাপ্ত শিক্ষার্থীদের কাছে) কীভাবে কী ভিজ্যুয়ালাইজ করা যায় তা কীভাবে অ-ভিজ্যুয়াল হতে পারে (যেমন ইউক্লিড এবং পাইথাগোরাসগুলির আগে অঙ্কিত লাইনের উদাহরণের চেয়ে লাইনারিটির ধারণা) এবং কীভাবে ভিজ্যুয়ালাইজ করা যায় বিশেষ ধরণের রৈখিকতার মূল উদ্দেশ্য (রিগ্রেশন, যার মূল বিন্দু ন্যূনতম বিচ্যুতির উপযুক্ত, গণিত এবং পরিসংখ্যানের প্রথমদিকে)। এক লাইনপ্রিন্টারের ফোর্ট্রান প্রবণতার আউটপুট মানসিকভাবে অন্তর্ভুক্ত হওয়া অবধি খুব কমই "ভিজ্যুয়াল", তবে এমনকি রিগ্রেশন-এর মূল বিষয়টিও কাল্পনিক (এটি একটি লাইন যা কোনও উদ্দেশ্যে তৈরি না হওয়া পর্যন্ত নেই)।


2
সম্ভবত আমি এই উত্তরটির ভুল বোঝাবুঝি করছি, তবে "এটি আপনার মাথাতে বা কোনও ছবিতে আঁকুন" মনে হচ্ছে প্রশ্নের কিছুটা বোধহয়: মূল প্রশ্নটি এমন কেউ দ্বারা উত্থাপিত হয়েছে যে পুরোপুরি অন্ধ, এবং তাই অনাবৃত খুঁজছেন রিগ্রেশন কাছে আসার ভিজ্যুয়াল উপায়।
সিলভার ফিশ

@ সিলভারফিশ রেসপন্স (একটি মন্তব্যের জন্য খুব দীর্ঘ) উপরের উত্তরে সম্পাদনা করা হয়েছে

ধন্যবাদ। আমি ভাবি যে ডাউনভোটটি কিছুটা কঠোর ছিল (এটি আমি ছিল না) তবে এই উত্তরের কিছু ভাষা পছন্দ দুর্ভাগ্যজনক ছিল (যেমন "চোখের দ্বারা জিনিসগুলি করার জন্য বেশ কয়েকটি উল্লেখ রয়েছে)"। তবুও, আমি বুঝতে পারি যে আপনি কেন চাক্ষুষ উপলব্ধি এবং "মনের চোখ" এর মাধ্যমে কী ভিজ্যুয়ালাইজ করা যেতে পারে তার মধ্যে পার্থক্য করতে চান।
সিলভারফিশ

2
আমি মনে মনে জিনিসগুলি কল্পনা করতে পারি। এটি ঠিক যে আমি ভিজ্যুয়ালাইজেশনের একই পদ্ধতি ব্যবহার করি না। এটি ব্যবহার না ব্যাপার না drawবা visualize। চারপাশের অন্যান্য উপায়ের চেয়ে ভিজ্যুয়ালাইজেশন অর্জনের জন্য ধারণাটি ব্যবহার করার বিষয় এটি। আমি দেখেছি যে এটি গণিতে অনেক জায়গায় ঘটে। একটি কঠিন বিষয় ব্যাখ্যা করার জন্য, শিক্ষার্থী বাস্তব জীবন থেকে ধারণাটি ধারণার সাথে গণনার সাথে সম্পর্কিত না হয়ে সাধারণত আকার এবং চিত্র ব্যবহার করা হয়।
পারহাম দৌস্তদার

3

সাধারণ রিগ্রেশন - যে একক ভবিষ্যদ্বাণীকের দ্বারা পূর্বাভাস দেওয়া একটি প্রতিক্রিয়া - সর্বজনীনভাবে প্লটগুলি কেন ব্যবহৃত হচ্ছে তা বোঝার জন্য সহায়তা করে।

তবে, আমি বিশ্বাস করি যে আমি গন্ধের এমন কিছু দিতে পারি যা সম্ভবত যা চলছে তা বুঝতে সহায়তা করবে। এতে আমি বেশিরভাগ তাদের বোঝার কিছুটা বোঝানোর চেষ্টা করার দিকে মনোনিবেশ করব, যা আপনি অন্যান্য ধরনের দিকগুলির সাথে সহায়তা করতে পারেন যা আপনি সাধারণত রিগ্রেশন সম্পর্কে পড়ার ক্ষেত্রে মুখোমুখি হন। সুতরাং এই উত্তরটি মূলত আপনার পোস্টের একটি বিশেষ দিক নিয়ে কাজ করবে।

কল্পনা করুন যে আপনি কোনও সমতুল্য অফিস ডেস্কের মতো একটি বিশাল আয়তক্ষেত্রাকার টেবিলের আগে বসে আছেন, তার পুরো আর্ম স্প্যান দীর্ঘ (সম্ভবত 1.8 মিটার), সম্ভবত এটি প্রশস্ত অর্ধেক।

আপনি দীর্ঘ অবস্থার মাঝখানে সাধারণ অবস্থানে টেবিলের আগে বসে আছেন। এই টেবিলের উপরে প্রচুর নখ (মোটামুটি মসৃণ মাথাযুক্ত) উপরের পৃষ্ঠে এমনভাবে হামোয় করা হয়েছে যাতে প্রতিটি কিছুটা দূরে থাকে (তারা কোথায় রয়েছে তা অনুভব করার জন্য যথেষ্ট, এবং তাদের সাথে একটি স্ট্রিং বেঁধে রাখতে বা রাবারের ব্যান্ড সংযুক্ত করার পক্ষে যথেষ্ট) )।

এই নখগুলি ডেস্কের আপনার প্রান্ত থেকে বিভিন্ন দূরত্বে রয়েছে, এমনভাবে যাতে এক প্রান্তের দিকে (বাম প্রান্তটি বলুন) তারা সাধারণত আপনার ডেস্কের প্রান্তের কাছাকাছি থাকে এবং তারপরে আপনি অন্য প্রান্তের দিকে পেরেকের দিকে যেতে থাকেন as আপনার প্রান্ত থেকে আরও দূরে হতে ঝোঁক।

আরও কল্পনা করুন যে আপনার প্রান্তটি দিয়ে আপনার প্রান্ত থেকে যে কোনও গিজে অবস্থানে গড়ে নখগুলি আপনার প্রান্ত থেকে গড়ে কতটা দূরে রয়েছে তা অনুধাবন করা কার্যকর হবে।

আপনার ডেস্কের প্রান্ত বরাবর কিছু জায়গা চয়ন করুন এবং সেখানে আপনার হাতটি রাখুন, তারপরে টেবিলের সামনে সরাসরি এগিয়ে যান, আপনার হাতটি আপনার পিছনে পিছনে নখের মাথার দিকে এগিয়ে নিয়ে এগিয়ে চলে যান then আপনি এই নখগুলি থেকে কয়েক ডজন বাধা মুখোমুখি হন - আপনার হাতের সেই সরু প্রস্থের মধ্যে (এটি সরাসরি আপনার প্রান্ত থেকে ডেস্কের বাম প্রান্ত থেকে ধ্রুবক দূরত্বে চলে যায়), একটি বিভাগ বা স্ট্রিপ, প্রায় দশ সেন্টিমিটার প্রশস্ত wide ।

এই ছোট্ট বিভাগে আপনার ডেস্কের প্রান্ত থেকে পেরেকের কিছুটা গড় দূরত্ব নির্ধারণ করা ধারণা। স্বজ্ঞাতভাবে এটি আমরা যে ধাক্কা মারি তার মধ্যবর্তী স্থানগুলি কিন্তু আমরা যদি ডেস্কের সেই হাত-প্রশস্ত প্রশস্ত অংশে প্রতিটি পেরেক-টু-পেরেক পরিমাপ করি তবে আমরা সেই গড়গুলি সহজেই গণনা করতে পারি।

উদাহরণস্বরূপ, আমরা একটি টি-স্কোয়ার ব্যবহার করতে পারি যার মাথাটি ডেস্কের প্রান্ত বরাবর স্লাইড হয় এবং যার শ্যাফ্ট ডেস্কের অপর পাশের দিকে চলে যায় তবে ডেস্কের ঠিক উপরে থাকে তাই আমরা নখগুলি আঘাত করি না কারণ এটি বাম দিকে সরে যায় বা ডান - কোনও প্রদত্ত পেরেকটি পাস করার সাথে সাথে আমরা টি-স্কোয়ারের শ্যাফটের সাথে এর দূরত্বটি পেতে পারি।

সুতরাং আমাদের প্রান্ত বরাবর জায়গাগুলির অগ্রগতিতে আমরা হাতের প্রস্থে সমস্ত নখগুলি আমাদের দিকে এবং দূরে চলমান এবং তাদের গড় দূরত্ব দূরের সন্ধানের এই অনুশীলনটির পুনরাবৃত্তি করি। সম্ভবত আমরা আমাদের প্রান্ত বরাবর ডেস্কটি হাতের প্রস্থের স্ট্রিপগুলিতে বিভক্ত করি (যাতে প্রতিটি পেরেক হুবহু এক স্ট্রিপের মুখোমুখি হয়)।

এখন কল্পনা করুন 21 টি এই জাতীয় স্ট্রিপ রয়েছে, প্রথমটি বাম প্রান্তে এবং শেষটি ডান প্রান্তে। স্ট্রিপগুলি জুড়ে অগ্রসর হওয়ার সাথে সাথে উপায়গুলি আমাদের ডেস্ক প্রান্ত থেকে আরও দূরে সরে যায়।

এর অর্থ y (আমাদের দূরত্ব-দূরের) প্রদত্ত এক্স (বাম প্রান্ত থেকে আমাদের প্রান্তে দূরত্ব) এর প্রত্যাশার একটি সাধারণ ননপ্যারমেট্রিক রিগ্রেশন অনুমানকারী গঠন করুন, অর্থাৎ, ই (y | এক্স)। বিশেষত, এটি একটি বিনড ননপ্যারামেট্রিক রিগ্রেশন প্রাক্কলনকারী, যাকে রেজিস্ট্রোগ্রামও বলা হয়

যদি এই স্ট্রিপগুলি নিয়মিতভাবে বৃদ্ধি পেয়ে থাকে - অর্থাত্ স্ট্রিপগুলি পেরিয়ে যাওয়ার সময় সাধারণত প্রায় একই পরিমাণে-পরিমাণ অনুযায়ী বাড়তে থাকে - তবে y এর প্রত্যাশিত মানটি একটি লিনিয়ার বলে ধরে নিয়ে আমরা আমাদের রিগ্রেশন ফাংশনটি আরও ভাল করে অনুমান করতে পারি we এক্স এর ফাংশন - অর্থাত্ প্রদত্ত y এর প্রত্যাশিত মানটি একটি ধ্রুবক প্লাস x এর একাধিক ছিল। এখানে ধ্রুবকটি প্রতিনিধিত্ব করে যেখানে নখের দিকে ঝোঁক থাকে যখন আমরা x এ শূন্য হয় (প্রায়শই আমরা এটি চরম বাম প্রান্তে রাখতে পারি তবে এটি হওয়া উচিত নয়), এবং এক্স এর একাধিক গড় গড় গড় কত দ্রুত আমরা ডানদিকে এক সেন্টিমিটার (বলুন) দ্বারা সরানোর সাথে সাথে পরিবর্তন হয়।

কিন্তু এই জাতীয় রৈখিক ফাংশনটি কীভাবে সন্ধান করবেন?

কল্পনা করুন যে আমরা প্রতিটি পেরেক-মাথার উপরে একটি রাবার ব্যান্ড লুপ করেছি এবং প্রতিটি নখের উপরে ডেস্কের ঠিক উপরে রেখে একটি দীর্ঘ পাতলা কাঠি দিয়ে প্রতিটি সংযুক্ত করি, যাতে এটি আমাদের প্রতিটি স্ট্রিপের "মাঝখানে" কাছাকাছি থাকে that জন্য।

আমরা ব্যান্ডগুলি এমনভাবে সংযুক্ত করি যে সেগুলি কেবল আমাদের দিকে এবং দূরে (বাম বা ডান নয়) দিকে প্রসারিত করে - বামকে নিজের দিকে টানতে পারে যাতে তারা লাঠি দিয়ে ডান-কোণে প্রসারিত দিকটি তৈরি করতে পারে, তবে এখানে আমরা এটি প্রতিরোধ করি, যাতে তাদের প্রসারিত দিকটি কেবল আমাদের ডেস্কের প্রান্তের দিকে বা দূরে থাকে in এখন আমরা লাঠিটি সেট করতে দেই যেহেতু ব্যান্ডগুলি প্রতিটি পেরেকের দিকে এটি টানতে থাকে, আরও দূরবর্তী নখ (আরও প্রসারিত রাবার ব্যান্ড সহ) কাঠির কাছাকাছি নখের তুলনায় যথাযথভাবে শক্তভাবে টানতে থাকে।

তারপরে লাঠিতে টানা সমস্ত ব্যান্ডের সম্মিলিত ফলাফল হ'ল প্রসারিত রাবার ব্যান্ডের বর্গক্ষেত্রের দৈর্ঘ্যের যোগফল হ্রাস করতে লাঠিটি টানতে (আদর্শভাবে, অন্তত); সারণি জুড়ে সরাসরি সেই দিকের টেবিলের আমাদের প্রান্ত থেকে কাঠিটির যে কোনও নির্দিষ্ট অবস্থানের অবস্থানের দূরত্ব হ'ল y প্রদত্ত x এর প্রত্যাশিত মানটির অনুমান।

এটি মূলত একটি লিনিয়ার রিগ্রেশন অনুমান।

এখন, কল্পনা করুন যে নখের পরিবর্তে আমাদের প্রচুর ফল রয়েছে (ছোট ছোট আপেলগুলির মতো সম্ভবত) একটি বড় গাছ থেকে ঝুলছে এবং আমরা স্থলভাগের উপরে ফলের গড় দূরত্ব খুঁজতে চাই কারণ এটি স্থলভাগের সাথে অবস্থানের সাথে পরিবর্তিত হয়। কল্পনা করুন যে এক্ষেত্রে মাটির উপরের উচ্চতাগুলি আরও বাড়তে থাকি আমরা আবার নিয়মিত ফ্যাশনে ডানদিকে সরানোর সাথে সাথে সামান্য আরও বড় হয়, সুতরাং প্রতিটি ধাপ এগিয়ে প্রায় একই পরিমাণ দ্বারা গড় উচ্চতা পরিবর্তন করে এবং প্রতিটি ধাপে ডান দিকটিও প্রায় ধ্রুবক পরিমাণের সাথে গড় পরিবর্তন করতে পারে (তবে পরিবর্তনের এই ধাপে-সঠিক পরিমাণের পরিবর্তনের ধাপে-অগ্রবর্তী পরিমাণের চেয়ে আলাদা)।

আমরা এগিয়ে যাওয়ার সময় বা ডানদিকে যাওয়ার সময় গড় উচ্চতা কীভাবে পরিবর্তিত হয় তা নির্ধারণ করার জন্য যদি আমরা ফলগুলি থেকে পাতলা সমতল শীটে (সম্ভবত খুব শক্ত প্লাস্টিকের একটি পাতলা শীট) বর্গক্ষেত্র উল্লম্ব দূরত্বগুলির যোগফলকে হ্রাস করি তবে তা হবে দুটি ভবিষ্যদ্বাণী নিয়ে একটি লিনিয়ার রিগ্রেশন - একাধিক রিগ্রেশন।

এগুলি কেবলমাত্র দুটি ক্ষেত্রে যা প্লটগুলি বুঝতে সহায়তা করতে পারে (আমি কেবল দৈর্ঘ্যে যা বর্ণনা করেছি তা তারা দ্রুত প্রদর্শন করতে পারে, তবে আশা করি আপনি জানেন যে একই ধারণাগুলি ধারণাগত করতে হবে এমন কোনও ভিত্তি রয়েছে)। এই সহজ দুটি ক্ষেত্রে বাদে, আমরা কেবল গণিতের সাথেই রয়েছি।

এখন আপনার বাড়ির দামের উদাহরণটি ধরুন; আপনি ডেস্কের আপনার প্রান্ত বরাবর প্রতিটি বাড়ির অঞ্চলকে প্রতিনিধিত্ব করতে পারেন - ডান প্রান্তের নিকটবর্তী অবস্থান হিসাবে বৃহত্তম ঘরের আকারের প্রতিনিধিত্ব করুন, প্রতিটি বাড়ির আকার বাম দিকে কিছুটা অবস্থান থাকবে যেখানে নির্দিষ্ট সংখ্যক সেন্টিমিটার কিছু উপস্থাপন করবে বর্গ মিটার সংখ্যা। এখন দূরত্ব বিক্রয় মূল্যের প্রতিনিধিত্ব করে। বেশিরভাগ ব্যয়বহুল ঘরটিকে ডেস্কের দীর্ঘতম প্রান্তের নিকটবর্তী হিসাবে নির্দিষ্ট দুরত্ব হিসাবে প্রতিনিধিত্ব করুন (বরাবরের মতো, আপনার চেয়ার থেকে প্রান্তটি দূরে), এবং প্রতি সেন্টিমিটার সরানো প্রতিটি রিয়েল কিছু সংখ্যক প্রতিনিধিত্ব করবে।

বর্তমানের কল্পনা করুন যে আমরা উপস্থাপনাটি বেছে নিয়েছি যাতে ডেস্কের বাম প্রান্তটি শূন্যের একটি বাড়ির ক্ষেত্রের সাথে মিলিত হয় এবং 0 এর একটি বাড়ির দামের সাথে নিকটতম প্রান্তটি থাকে তারপরে আমরা প্রতিটি বাড়ির জন্য একটি পেরেক রেখেছি।

আমাদের সম্ভবত আমাদের প্রান্তের বাম প্রান্তের কাছে কোনও নখ থাকবে না (তারা বেশিরভাগ ডান দিকে এবং আমাদের থেকে দূরে থাকতে পারে) কারণ এটি প্রয়োজনীয়ভাবে স্কেলের একটি ভাল পছন্দ নয় তবে আপনার কোনও নন-অরসেপ্ট মডেলের পছন্দটি এটি করে তোলে এটি আলোচনা করার একটি আরও ভাল উপায়।

এখন আপনার মডেলটিতে আপনি লাঠিটি ডেস্কের নিকটতম প্রান্তের বাম কোণে স্ট্রিংয়ের একটি লুপ দিয়ে যেতে বাধ্য করেন - এইভাবে ফিট মডেলটিকে ক্ষেত্রের শূন্যের জন্য মূল্য শূন্যের জন্য বাধ্য করা হয়, যা প্রাকৃতিক বলে মনে হতে পারে - তবে কল্পনা করুন যদি সেখানে আছে দামের কয়েকটি মোটামুটি ধ্রুব উপাদান যা প্রতিটি বিক্রয়কে প্রভাবিত করে। তারপরে এটি শূন্য থেকে ইন্টারসেপ্টটি পৃথক করে রাখা অর্থপূর্ণ হবে।

যাইহোক, সেই লুপটি যুক্ত করার সাথে, আগের মতো একই রাবার-ব্যান্ড অনুশীলনটি আমাদের ন্যূনতম স্কোয়ারের প্রাক্কলনটি খুঁজে পাবে।


বাহ, এই দীর্ঘ স্থানিক উত্তরের জন্য আপনাকে ধন্যবাদ। এটা অনেক ব্যাখ্যা। ধন্যবাদ।
পারহাম দৌস্তদার

2

আপনি প্রায়শই হোটেলগুলিতে যাওয়ার জন্য কী ধরণের টোস্টের মুখোমুখি হয়েছিলেন? আপনি এক প্রান্তে একটি পরিবাহক বেল্টে রুটি রেখেছেন এবং এটি অন্যদিকে টোস্ট হিসাবে বেরিয়ে আসে। দুর্ভাগ্যক্রমে, এই সস্তা হোটেলের টোস্টারে, হিটারগুলি টোস্টারের প্রবেশদ্বার থেকে এলোমেলো উচ্চতা এবং দূরত্বে চলে গেছে। আপনি হিটারগুলি সরাতে বা বেল্টের পথটি বাঁকতে পারবেন না (যা সোজা, পথে (লিনিয়ার বিটটি এখানে আসে)) তবে আপনি বেল্টের উচ্চতা এবং টিআইএলটি পরিবর্তন করতে পারেন।

সমস্ত হিটারের অবস্থান দেওয়া, লিনিয়ার রিগ্রেশন আপনাকে সামগ্রিকভাবে সবচেয়ে বেশি তাপ পাওয়ার জন্য বেল্ট স্থাপনের সঠিক উচ্চতা এবং কোণটি বলবে। এর কারণ লিনিয়ার রিগ্রেশন টোস্ট এবং হিটারের মধ্যে গড় দূরত্বকে হ্রাস করবে।

আমার প্রথম ছুটির কাজটি হাত দিয়ে লিনিয়ার রিগ্রেশন করছিল। যে ছেলেটি বলেছিল যে আপনি এটি করতে চান না তা হ'ল রাইট !!!


2

লিনিয়ার রিগ্রেশন সম্পর্কে আমার প্রিয় ব্যাখ্যা জ্যামিতিক, তবে চাক্ষুষ নয়। এটি দ্বি-মাত্রিক স্থানে পয়েন্টের মেঘে বিচ্ছিন্ন না হয়ে এটি একটি উচ্চ-মাত্রিক স্থানে একক পয়েন্ট হিসাবে সেট করা ডেটাটিকে বিবেচনা করে।

ap(a,p)a1,,a1000p1,,p1000

D=(a1,,a1000,p1,,p1000)
D

D

M(ρ,β)=(a1,,a1000,ρa1+β,,ρa1000+β).
ρβa1,,a1000ρβ

DM(ρ,β)D

DM(ρ,β)

[p1(ρa1+β)]2++[p1000(ρa1000+β)]2.
অন্য কথায়, ডেটা পয়েন্ট এবং মডেল পয়েন্টের মধ্যে দূরত্ব হ'ল মডেলের মোট স্কোয়ার ত্রুটি! কোনও মডেলের মোট স্কোয়ার ত্রুটিটি হ্রাস করা একই তথ্য যা মডেল এবং ডেটা স্পেসের ডেটার মধ্যে দূরত্ব হ্রাস করে।

ρβDM(ρ,β)


1

@ ক্রিস র্যাকউকাস এবং @ ইডিএম এর উত্তরগুলি স্পট রয়েছে। সাধারণ লিনিয়ার রিগ্রেশনটির কাছে যাওয়ার অনেকগুলি উপায় রয়েছে যার জন্য সাধারণ ন্যূনতম স্কোয়ারের অনুমানের চক্রান্ত বা চাক্ষুষ ব্যাখ্যা প্রয়োজন হয় না এবং আপনি যখন ওএলএস চালাচ্ছেন তখন আসলে কী ঘটে যায় সে সম্পর্কে তারা খুব দৃ expla় ব্যাখ্যা দেয়।

আমি যুক্ত করতে পারি যে স্ক্র্যাপপ্লটগুলি কোনও ধরণের নতুন মডেলিং পদ্ধতি শিখতে প্রশিক্ষণের সরঞ্জাম হিসাবে ব্যবহার করা হোক না কেন, এটি পুরানো স্কুল প্যারামিমেট্রিক মডেল, উন্নত মেশিন লার্নিং স্টাফ বা বাইসিয়ান অ্যালগরিদম হোক না কেন, গ্রাফিং কোনও নির্দিষ্ট কী শিখতে সময় নেয় তা হ্রাস করতে সহায়তা করে অ্যালগরিদম না।

আপনি যখন প্রথম কোনও নতুন ডেটাসেটের সাথে কাজ শুরু করছেন তখন অনুসন্ধানের তথ্য বিশ্লেষণের জন্য গ্রাফিংও খুব গুরুত্বপূর্ণ। আমার এমন পরিস্থিতি রয়েছে যেখানে আমি প্রচুর ডেটা সংগ্রহ করেছি, তত্ত্বটি কার্যকর করেছি, সাবধানতার সাথে আমার মডেলটি তৈরি করেছি এবং তারপরে এটি চালিয়েছি, কেবলমাত্র এমন ফলাফলের সাথে শেষ করতে যেগুলির মূলত কোনও ভবিষ্যদ্বাণীপূর্ণ শক্তি ছিল না। দ্বিখণ্ডিত সম্পর্ক স্থাপনের অনুমানের কিছুটা নেওয়া যেতে পারে: আপনার উদাহরণস্বরূপ, এটি সম্ভব যে বাড়ির দাম ক্ষেত্রের সাথে রৈখিকভাবে সম্পর্কিত, তবে সম্ভবত সম্পর্কটি রৈখিক নয়। স্ক্যাটারপ্লটগুলি আপনাকে আপনার নিপীড়নে উচ্চতর অর্ডার শর্তাদি প্রয়োজন কিনা, বা আপনি যদি রৈখিক প্রতিরোধের চেয়ে আলাদা পদ্ধতি ব্যবহার করতে চান, বা আপনি যদি কোনও ধরণের ননপ্যারমেট্রিক পদ্ধতি ব্যবহার করতে চান তা সিদ্ধান্ত নিতে সহায়তা করে।


1

গুগল আনস্কোম্ব চতুর্মুখী জন্য।

এটি 4 টি উপাত্ত দেখায় যা সংখ্যায় পরিদর্শন করার সময় খুব বেশি পার্থক্য দেখায় না।

যাইহোক, একটি ভিজ্যুয়াল স্ক্যাটার প্লট তৈরি করার সময়, পার্থক্যগুলি নাটকীয়ভাবে দৃশ্যমান হয়।

এটি আপনাকে কেন সবসময় আপনার ডেটা, রিগ্রেশন বা কোনও প্রতিরোধের: --) প্লট করতে হবে তা একটি সুন্দর স্পষ্ট দৃষ্টিভঙ্গি দেয়-


0

আমরা এমন একটি সমাধান চাই যা পূর্বাভাস দেওয়া এবং প্রকৃত মানগুলির মধ্যে পার্থক্যকে হ্রাস করে।

y=bx+a

yy

যদি আমরা ধরে নিই যে ত্রুটিগুলির বিতরণটি সাধারণত বিতরণ করা হয় তবে দেখা যায় যে এই ক্ষুদ্রকরণ সমস্যার একটি বিশ্লেষণাত্মক সমাধান রয়েছে। পারফরম্যান্সের স্কোয়ারের যোগফল সেরা ফিটের জন্য হ্রাস করার সর্বোত্তম মান। তবে সাধারণ ক্ষেত্রে স্বাভাবিকতার প্রয়োজন হয় না।

আসলে এর চেয়ে বেশি কিছু নেই।

y=bx+a

আজকাল এটি একটি বোধগম্য সহায়তা হিসাবে বেশি রেখে গেছে তবে লিনিয়ার রিগ্রেশনটি সত্যই বুঝতে হবে না।

সম্পাদনা: ত্রুটি অনুমানের স্বাভাবিকতাটি একটি সঠিক তবে কম সংক্ষিপ্ত তালিকার সাথে প্রতিস্থাপন করেছে। সাধারণতার জন্য একটি বিশ্লেষণাত্মক সমাধান হওয়া প্রয়োজন এবং এটি অনেকগুলি ব্যবহারিক ক্ষেত্রে বিবেচনা করা যেতে পারে এবং সেক্ষেত্রে স্কোয়ারগুলির যোগফল কেবল লিনিয়ার অনুমানের জন্যই অনুকূল নয় এবং পাশাপাশি সম্ভাবনাও সর্বাধিক করে তোলে।

যদি ত্রুটি বিতরণের স্বাভাবিকতার ধারনাটি ধরে রাখে তবে স্কোয়ার্সের যোগফল উভয় লিনিয়ার এবং অ-রৈখিক অনুমানকারীদের মধ্যে অনুকূল এবং সম্ভাবনা সর্বাধিকতর করে তুলছে।


1
আপনার বর্ণিত কোনও কিছুর জন্য সাধারণ বিতরণ অনুমানের প্রয়োজন নেই
আকসাকাল


আপনার উত্তরটির সাথে লিঙ্কটির কোনও সম্পর্ক নেই। আপনি যদি ছোট ছোট নমুনা বৈশিষ্ট্য বা এমএলইতে প্রসারিত হন তবে আপনি সাধারণ বন্টন অনুমানটি আনতে পারেন তবে এটি আপনার উত্তরের ওএলএস বিবরণ হিসাবে সাধারণ বিতরণের দরকার নেই। আসলে স্কোয়ারের পরিমাণ কমিয়ে আনার জন্য আপনার কোনও বিতরণ বা পরিসংখ্যানের মোটেই প্রয়োজন নেই। এটা খাঁটি বীজগণিত।
আকসকল

মূল বিষয়টি হল আমরা কেন স্কোয়ারের যোগফল হ্রাস করছি এবং অন্য কোনও মেট্রিক নয়। স্কোয়ারের যোগফল কীভাবে হ্রাস করা যায় তা সম্পর্কে নয়।
দিয়েগো

বর্গক্ষেত্রের পরিমাণ হ্রাস করার সাধারণ বন্টনের সাথে কোনও সম্পর্ক নেই। এটি কেবল আপনার ক্ষতির কাজ। এই ক্ষতি ফাংশনের সাথে অন্য কোনও ত্রুটি বিতরণ ব্যবহার করা যেতে পারে। আপনার নির্দিষ্ট কিছু ক্ষেত্রে বিতরণ দরকার, যেমন আপনি যদি ছোট নমুনাগুলিতে প্যারামিটারের মানগুলি সম্পর্কে সূচনা করতে চান তবে এই ক্ষেত্রে আপনি অন্যান্য বন্টনও ব্যবহার করতে পারেন, আমি নিশ্চিত নই কেন আপনি স্বাভাবিকভাবে আটকে রয়েছেন।
আকসকল
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.