Python တွင် standardized residuals တွက်ချက်နည်း

ကျန်ရှိသော ဆိုသည်မှာ မှတ်သားထားသောတန်ဖိုးနှင့် ဆုတ်ယုတ်မှုပုံစံ တစ်ခုရှိ ခန့်မှန်းတန်ဖိုးကြား ကွာခြားချက်ဖြစ်သည်။

အောက်ပါအတိုင်း တွက်ချက်သည်။

လက်ကျန် = သတိပြုမိသော တန်ဖိုး – ခန့်မှန်းထားသော တန်ဖိုး

ကျွန်ုပ်တို့ သတိပြုမိသော တန်ဖိုးများကို ရေးဆွဲပြီး တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုမျဉ်းကို ခြုံငုံမိပါက၊ ရှုမြင်မှု တစ်ခုစီအတွက် အကြွင်းအကျန်များသည် ရှုထောင့်နှင့် ဆုတ်ယုတ်မှုမျဉ်းကြား ဒေါင်လိုက်အကွာအဝေးဖြစ်လိမ့်မည်-

ဆုတ်ယုတ်မှုပုံစံတစ်ခုရှိ အစွန်းများကို ခွဲခြားသတ်မှတ်ရန် ကျွန်ုပ်တို့အသုံးပြုလေ့ရှိသော အကြွင်းအကျန်အမျိုးအစားတစ်ခုကို စံပြုကျန်နေသေး သည်ဟု ခေါ်သည်။

အောက်ပါအတိုင်း တွက်ချက်သည်။

r _i = e _i / s(e _i ) = e _i / RSE√ 1-h _ii

ရွှေ-

• e _i : i ^th အကြွင်း
• RSE- မော်ဒယ်၏ ကျန်နေသော စံလွဲချော်မှု
• h _II : ^IT စောင့်ကြည့်မှု မြင့်တက်လာခြင်း။

လက်တွေ့တွင်၊ ကျွန်ုပ်တို့သည် ပကတိတန်ဖိုး 3 ထက်ကြီးသော စံသတ်မှတ်ထားသော ကျန်ရှိသောမည်သည့်အရာကိုမဆို အကြမ်းဖျင်းအဖြစ် သုံးသပ်လေ့ရှိသည်။

ဤသင်ခန်းစာသည် Python တွင် စံသတ်မှတ်ထားသော အကြွင်းအကျန်များကို တွက်ချက်နည်း အဆင့်ဆင့် ဥပမာကို ပေးပါသည်။

အဆင့် 1: ဒေတာကိုထည့်ပါ။

ပထမဦးစွာ Python တွင်အလုပ်လုပ်ရန် သေးငယ်သောဒေတာအတွဲတစ်ခုကို ဖန်တီးပါမည်။

 import pandas as pd

#create dataset
df = pd. DataFrame ({' x ': [8, 12, 12, 13, 14, 16, 17, 22, 24, 26, 29, 30],
                   ' y ': [41, 42, 39, 37, 35, 39, 45, 46, 39, 49, 55, 57]})

အဆင့် 2- ဆုတ်ယုတ်မှုပုံစံကို အံကိုက်လုပ်ပါ။

ထို့နောက်၊ ကျွန်ုပ်တို့သည် ရိုးရှင်းသော linear regression model ကို ကိုက်ညီပါမည်-

 import statsmodels. api as sm

#define response variable
y = df[' y ']

#define explanatory variable
x = df[' x ']

#add constant to predictor variables
x = sm. add_constant (x)

#fit linear regression model
model = sm. OLS (y,x). fit ()

အဆင့် 3- စံသတ်မှတ်ထားသော အကြွင်းအကျန်များကို တွက်ချက်ပါ။

ထို့နောက်၊ ကျွန်ုပ်တို့သည် မော်ဒယ်၏ စံသတ်မှတ်ထားသော အကြွင်းအကျန်များကို တွက်ချက်ပါမည်-

 #create instance of influence
influence = model. get_influence ()

#obtain standardized residuals
standardized_residuals = influence. reside_studentized_internal

#display standardized residuals
print (standardized_residuals)

[ 1.40517322 0.81017562 0.07491009 -0.59323342 -1.2482053 -0.64248883
  0.59610905 -0.05876884 -2.11711982 -0.066556 0.91057211 1.26973888]

ရလဒ်များမှ၊ စံသတ်မှတ်ထားသော အကြွင်းအကျန်တစ်ခုမှ 3 ၏ ပကတိတန်ဖိုးထက် မကျော်လွန်ကြောင်း ကျွန်ုပ်တို့တွေ့မြင်နိုင်ပါသည်။ ထို့ကြောင့် လေ့လာတွေ့ရှိချက်တစ်ခုမှ အစွန်းထွက်ပုံမပေါ်ပါ။

အဆင့် 4- စံသတ်မှတ်ထားသော အကြွင်းအကျန်များကို မြင်ယောင်ကြည့်ပါ။

နောက်ဆုံးတွင်၊ စံသတ်မှတ်ထားသော အကြွင်းအကျန်များနှင့် ဆန့်ကျင်ဘက်ဖြစ်သော ခန့်မှန်းသူကိန်းရှင်၏ တန်ဖိုးများကို မြင်သာစေရန် အပိုင်းအစတစ်ခုကို ဖန်တီးနိုင်သည်-

 import matplotlib. pyplot as plt

plt. scatter (df.x, standardized_residuals)
plt. xlabel (' x ')
plt. ylabel (' Standardized Residuals ')
plt. axhline (y=0, color=' black ', linestyle=' -- ', linewidth=1)
plt. show ()

ထပ်လောင်းအရင်းအမြစ်များ

အကြွင်းအကျန်တွေက ဘာတွေလဲ။
စံသတ်မှတ်ထားသော အကြွင်းအကျန်များသည် အဘယ်နည်း။
R တွင် စံသတ်မှတ်ထားသော အကြွင်းအကျန်များကို တွက်ချက်နည်း
Excel တွင် စံသတ်မှတ်ထားသော အကြွင်းအကျန်များကို တွက်ချက်နည်း