प्रतिगमन चिरचकल्पात संबंधांचे विश्लेषण करते
प्रतिगमन एक डेटा खाण तंत्र आहे ज्यायोगे एका विशिष्ट डेटासेटला दिलेल्या संख्यात्मक मूल्यांची श्रेणी (ज्याला सतत मूल्ये देखील म्हटले जाते) सांगतात. उदाहरणार्थ, प्रतिगमन दुसर्या व्हेरिएबल्सद्वारा दिलेली उत्पादन किंवा सेवेची किंमत दर्शविण्याकरिता वापरली जाऊ शकते.
प्रतिगमन व्यवसाय आणि विपणन नियोजन, आर्थिक अंदाज, पर्यावरण मॉडेलिंग आणि ट्रेंडचे विश्लेषण करण्यासाठी अनेक उद्योगांमध्ये वापरले जाते.
प्रतिगमन वि. वर्गीकरण
उलटगणती व वर्गीकरण म्हणजे डेटाच्या खाणकाम तंत्रांचा वापर समान समस्यांचे निराकरण करण्यासाठी होतो, परंतु ते वारंवार गोंधळलेले असतात. दोन्हीचा अंदाज विश्लेषणात वापरला जातो, परंतु वर्गीकरण वेगळ्या मूल्यांकनासाठी वापरला जातो तेव्हा वर्गीकरण स्वतंत्र श्रेणींमध्ये डेटा प्रदान करतो.
उदाहरणार्थ, रीग्रेसचा वापर एखाद्या ठिकाणाचे स्थान, चौरस फूट, शेवटचे विकले जाणारे भाव, समान घरे किंमत आणि अन्य घटक यावर आधारित घरांच्या मूल्याची अंदाज लावण्यासाठी केला जाईल. आपण त्याऐवजी घरे मध्ये walkability, लॉट आकार किंवा गुन्हेगारी दर म्हणून आयोजित करायचे असल्यास वर्गीकरण क्रमाने होईल.
प्रतिगमन तंत्रांचे प्रकार
रीग्रेशनचा सर्वांत सोपा आणि सर्वात जुना प्रकार रेखीय प्रतिगमन आहे ज्याचा वापर दोन व्हेरिएबल्स मधील संबंधांचा अंदाज लावण्यासाठी केला जातो. हे तंत्र एका सरळ रेषाच्या गणिती सूत्राचा (y = mx + b) वापर करते. साध्या शब्दात, याचा अर्थ असा की, एक वाई आणि एक एक्स-अक्ष असलेली एक आलेख दिलेली आहे, एक्स आणि वाई यांच्यात संबंध काही आउटलाइनकसह एक सरळ रेषा आहे उदाहरणार्थ, आम्ही असे गृहीत धरू की, लोकसंख्येत वाढ झाल्याने, अन्नधान्य उत्पादन त्याच दराने वाढेल - यासाठी दोन वर्णांमधील मजबूत, रेखीय संबंध असणे आवश्यक आहे. हे चित्रित करण्यासाठी, एक आकृतीचा विचार करा ज्यामध्ये Y- अक्षावर लोकसंख्या वाढते, आणि एक्स-अक्ष अन्न उत्पादन लक्ष ठेवतो. Y मूल्य वाढते तसे, एक्स मूल्य समान दराने वाढत जाईल, जेणेकरून त्यांच्यामध्ये एक सरळ रेषा असेल.
प्रगत तंत्रे, जसे की एकाधिक प्रतिगमन, एकापेक्षा जास्त वेरियेबल्समधील संबंधांचा अंदाज लावा - उदाहरणार्थ, मिळकत, शिक्षण आणि कुठे राहणे निवडतात यामध्ये एक परस्परसंबंध आहे? अधिक वेरियेबल्सच्या वाढीमुळे पूर्वानुमानाच्या गुंतागुंतीत वाढ होते. मानक, श्रेणीबद्ध, सेटवर्ड आणि स्टेप-यासह विविध पुनरावृत्ती तंत्राची अनेक प्रकार आहेत, प्रत्येका स्वतःच्या अनुप्रयोगासह.
या मुद्यावर आपण अंदाज लावण्याचा प्रयत्न करीत आहोत (आश्रित किंवा अंदाज केलेले व्हेरिएबल) आणि डेटा आम्ही पूर्वानुमान (स्वतंत्र किंवा भविष्यवाचक चलने) करण्यासाठी वापरत आहोत हे समजणे महत्वाचे आहे. आमच्या उदाहरणामध्ये, आम्ही त्या ठिकाणाचा अंदाज लावू इच्छितो जेथे एखादे निवृत्तीवेतन उत्पन्न आणि शिक्षणाचे ( भाकीत व्हेरिएबल्स दोन्ही) निवडू शकता .
- प्रमाणित अनेक प्रतिगमन एकाच वेळी सर्व अंदाजकर्ता चलने विचारात घेतले जाते. उदाहरणार्थ 1) आय आणि शिक्षणाचा (predictors) आणि शेजारच्या निवडीबद्दल (अंदाज) संबंध काय आहे; आणि 2) प्रत्येक भविष्यकाळात त्या पदवीचा अंश काय करणार?
- पायवाचने एकाधिक पुनरावृत्ती एका संपूर्णपणे भिन्न प्रश्नाचे उत्तर देते चरणवार रीग्रेस अल्गोरिदम असे विश्लेषण करेल की कोणत्या प्रेक्षकांना अतिपरिचित क्षेत्राचा अंदाज लावण्यासाठी सर्वोत्कृष्ट वापर केला जातो - म्हणजे स्टेप-इन मॉडेल अनुक्रमिक व्हेरिएबल्सच्या महत्त्वांचे मूल्यमापन करते आणि नंतर संबंधित सबसेट निवडते. प्रतिगमन समीकरण विकसित करण्यासाठी या प्रकारचा प्रतिगमन समस्या "पावले" वापरते. याप्रकारचा प्रतिगमन केल्यास, सर्व भविष्यकांना अंतिम प्रतिगमन समीकरणांमध्ये देखील दिसू शकत नाहीत.
- क्रमिक दिशा-निर्देशांसारख्या श्रेणीबद्ध प्रतिगमन , एक अनुक्रमित प्रक्रिया आहे परंतु प्रीकॉन्टर व्हेरिएबल्स मॉडेलमध्ये आधीच नमूद केलेल्या पूर्व-निर्दिष्ट क्रमाने प्रवेशित केल्या आहेत, म्हणजे अल्गोरिदममध्ये कोणत्या क्रमाने क्रमबद्ध करण्यासाठी समीकरणाचे अंगभूत संच नसतात अंदाजपत्रक प्रविष्ट करा. हे बर्याचवेळ वापरले जाते जेव्हा प्रतिगमन समीकरण तयार करणार्या व्यक्तिला क्षेत्राचे तज्ञ ज्ञानी असते.
- Setwise प्रतिगमन हा चरणवाल्यांप्रमाणेच आहे परंतु वैयक्तिक व्हेरिएबल्सऐवजी चलांच्या सेटचे विश्लेषण करते.