ကွေးကျန်နေသည့်ကွက်ကွက်ကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံ (ဥပမာနှင့်အတူ)

ဆုတ်ယုတ်မှုပုံစံ၏ အကြွင်းအကျန်များကို ပုံမှန်အတိုင်း ဖြန့်ဝေခြင်းရှိ၊ မရှိ အကဲဖြတ်ရန် ကျန်ကွက်များကို အသုံးပြု သည်။

အကောင်းဆုံးကတော့၊ ကျန်နေတဲ့ကွက်ကွက်ထဲက အမှတ်တွေကို ရှင်းရှင်းလင်းလင်းမရှိတဲ့ ပုံစံမရှိဘဲ သုညတန်ဖိုးရဲ့ အနီးတဝိုက်မှာ ကျပန်းဖြန့်ကျဲစေချင်ပါတယ်။

ကွက်အမှတ်များတွင် ကွေးသောပုံစံရှိသည့် ကျန်နေသောကွက်ကွက်တစ်ခုကို သင်ကြုံတွေ့ရပါက၊ ဒေတာအတွက် သင်သတ်မှတ်ထားသော ဆုတ်ယုတ်မှုပုံစံသည် မှန်ကန်ခြင်းမရှိဟု ဆိုလိုခြင်းဖြစ်နိုင်သည်။

အခြေအနေအများစုတွင်၊ ဆိုလိုသည်မှာ သင်သည် မျဉ်းဖြောင့်ဆုတ်ယုတ်မှုပုံစံကို အစား လေးပုံတစ်ပုံ လမ်းကြောင်းအတိုင်းလိုက်သည့် ဒေတာအစုတစ်ခုနှင့် အံဝင်ခွင်ကျဖြစ်အောင် ကြိုးပမ်းခဲ့သည်ဟု ဆိုလိုသည်။

အောက်ဖော်ပြပါ ဥပမာသည် လက်တွေ့တွင် ကွေးကျန်နေသော ကွက်ကွက်တစ်ခုကို အနက်ပြန်ဆိုပုံ (နှင့် မှန်ကန်) ပုံကို ပြသထားသည်။

ဥပမာ- ကွေးကျန်နေသည့် ကွက်ကွက်ကို ဘာသာပြန်ခြင်း။

တစ်ပတ်လျှင် အလုပ်လုပ်သည့် နာရီအရေအတွက်နှင့် ပတ်သက်သည့် အောက်ပါဒေတာများကို စုဆောင်းပြီး ရုံးခန်းတစ်ခုရှိ လူ 11 ဦးအတွက် ပျော်ရွှင်မှုအဆင့် (0 မှ 100 အထိ) အစီရင်ခံတင်ပြသည်ဆိုပါစို့။

ကျွန်ုပ်တို့သည် အလုပ်လုပ်သော နာရီများနှင့် ပျော်ရွှင်မှုအဆင့်ကို ရိုးရှင်းစွာ ခွဲခြမ်းစိပ်ဖြာဖန်တီးပါက၊ ၎င်းသည် ပုံသဏ္ဌာန်ဖြစ်သည်။

ယခု ကျွန်ုပ်တို့သည် ပျော်ရွှင်မှုအဆင့်ကို ခန့်မှန်းရန် နာရီများကို အသုံးပြု၍ ဆုတ်ယုတ်မှုပုံစံကို အံဝင်ခွင်ကျဖြစ်စေလိုသည်ဆိုပါစို့။

အောက်ဖော်ပြပါ ကုဒ်သည် ဤဒေတာအတွဲအတွက် ရိုးရှင်းသော မျဉ်းဖြောင့်ဆုတ်ယုတ်မှုပုံစံကို မည်သို့အံဝင်ခွင်ကျဖြစ်စေရန်နှင့် R တွင် ကျန်ရှိသောကွက်ကွက်တစ်ခုကို ထုတ်လုပ်နိုင်ပုံကို ပြသသည်-

 #create dataframe
df <- data. frame (hours=c(6, 9, 12, 14, 30, 35, 40, 47, 51, 55, 60),
                 happiness=c(14, 28, 50, 70, 89, 94, 90, 75, 59, 44, 27))
#fit linear regression model
linear_model <- lm(happiness ~ hours, data=df)

#get list of residuals 
res <- resid(linear_model)

#produce residual vs. fitted plot
plot(fitted(linear_model), res, xlab=' Fitted Values ', ylab=' Residuals ')

#add a horizontal line at 0 
abline(0,0)

x-axis သည် တပ်ဆင်ထားသောတန်ဖိုးများကိုပြသပြီး y-axis သည် အကြွင်းအကျန်များကိုပြသသည်။

ဂရပ်ဖ်မှ၊ အကြွင်းအကျန်များတွင် မျဉ်းကွေးပုံစံတစ်ခု ရှိနေသည်ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်ပြီး၊ မျဉ်းကြောင်းဆုတ်ယုတ်မှုပုံစံသည် ဤဒေတာအတွဲအတွက် သင့်လျော်သောကိုက်ညီမှု မပေးနိုင်ကြောင်း ညွှန်ပြသည်။

အောက်ဖော်ပြပါ ကုဒ်သည် ဤဒေတာအတွဲအတွက် လေးပုံတစ်ပုံ ဆုတ်ယုတ်မှုပုံစံကို မည်သို့အံဝင်ခွင်ကျဖြစ်စေရန် ဖော်ပြပြီး R တွင် ကျန်ရှိသောကွက်ကွက်ကို ထုတ်လုပ်နိုင်သည်-

 #create dataframe
df <- data. frame (hours=c(6, 9, 12, 14, 30, 35, 40, 47, 51, 55, 60),
                 happiness=c(14, 28, 50, 70, 89, 94, 90, 75, 59, 44, 27))
#define quadratic term to use in model
df$hours2 <- df$hours^2

#fit quadratic regression model
quadratic_model <- lm(happiness ~ hours + hours2, data=df)

#get list of residuals 
res <- resid(quadratic_model)

#produce residual vs. fitted plot
plot(fitted(quadratic_model), res, xlab=' Fitted Values ', ylab=' Residuals ')

#add a horizontal line at 0 
abline(0,0) 

တစ်ဖန်၊ x-axis သည် တပ်ဆင်ထားသောတန်ဖိုးများကိုပြသပြီး y-axis သည် အကြွင်းအကျန်များကိုပြသသည်။

ကွက်ကွက်မှ အကြွင်းအကျန်များသည် သုညအနီးတွင် ကျပန်းကျပန်း ပြန့်ကျဲနေပြီး ကျန်အကြွင်းအကျန်များတွင် ရှင်းလင်းပြတ်သားသော လမ်းကြောင်းမရှိသည်ကို ကျွန်ုပ်တို့ တွေ့နိုင်ပါသည်။

၎င်းသည် မျဉ်းဖြောင့်ဆုတ်ယုတ်မှုပုံစံထက် ဤဒေတာအစုံနှင့် အံဝင်ခွင်ကျဖြစ်သော လေးပုံတစ်ပုံ ဆုတ်ယုတ်မှုပုံစံသည် များစွာပိုမိုကောင်းမွန်ကြောင်း ကျွန်ုပ်တို့ကိုပြောပြသည်။

အလုပ်ချိန်နှင့် ပျော်ရွှင်မှုအဆင့်များကြားရှိ စစ်မှန်သောဆက်ဆံရေးသည် မျဉ်းကြောင်းထက် လေးပုံတစ်ပုံပုံပေါက်သည်ဟု ကျွန်ုပ်တို့မြင်သောကြောင့် ယင်းသည် အဓိပ္ပာယ်ရှိသင့်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် ကွဲပြားသော စာရင်းအင်းဆော့ဖ်ဝဲကို အသုံးပြု၍ ကျန်ရှိသောကွက်ကွက်များကို ဖန်တီးနည်းကို ရှင်းပြသည်-

လက်နဲ့ကျန်နေတဲ့လမ်းကို ဘယ်လိုဖန်တီးမလဲ။
R တွင်ကျန်ရှိသောကွက်ကွက်ဖန်တီးနည်း
Excel တွင် Residual Plot ဖန်တီးနည်း
Python တွင် Residual Plot ဖန်တီးနည်း