ကျန်နေသောစံအမှားကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံ

ဆုတ်ယုတ်မှုပုံစံ သည် ဒေတာအစုံနှင့် မည်မျှကိုက်ညီကြောင်း တိုင်းတာရန် ကျန်ရှိသော စံအမှားကို အသုံးပြုသည်။

ရိုးရိုးရှင်းရှင်းအားဖြင့်၊ ၎င်းသည် ဆုတ်ယုတ်မှုပုံစံတစ်ခုရှိ ကျန်ရှိသော စံသွေဖည်မှုကို တိုင်းတာသည်။

အောက်ပါအတိုင်း တွက်ချက်သည်။

ကျန်နေသောစံအမှား = √ Σ(y – ŷ) ² /df

ရွှေ-

• y- စောင့်ကြည့်ထားသော တန်ဖိုး
• ŷ- ခန့်မှန်းတန်ဖိုး
• .

ကျန်နေသောစံလွဲချော်မှု သေးငယ်လေ၊ ဆုတ်ယုတ်မှုပုံစံသည် ဒေတာအစုံနှင့် ပိုမိုကောင်းမွန်လေဖြစ်သည်။ အပြန်အလှန်အားဖြင့် ကျန်နေသောစံနှုန်းအမှားသည် မြင့်မားလေ၊ ဆုတ်ယုတ်မှုပုံစံသည် ဒေတာအစုံနှင့် ကိုက်ညီလေလေဖြစ်သည်။

သေးငယ်သော ကျန်နေသော စံအမှားတစ်ခုပါရှိသော ဆုတ်ယုတ်မှုပုံစံတွင် တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုမျဉ်းတစ်ဝိုက်တွင် ဒေတာအချက်များ တင်းတင်းကျပ်ကျပ် အစုလိုက်ရှိနေပါမည်-

ဤမော်ဒယ်၏ ကျန်ရှိသော ပစ္စည်းများ (လေ့လာတွေ့ရှိထားသော တန်ဖိုးများနှင့် ခန့်မှန်းထားသော တန်ဖိုးများကြား ခြားနားချက်) သေးငယ်မည်ဖြစ်ပြီး ကျန်ရှိသော စံလွဲချော်မှုမှာလည်း သေးငယ်မည်ဖြစ်သည်။

အပြန်အလှန်အားဖြင့်၊ ကြီးမားသောကျန်နေသော စံအမှားတစ်ခုပါရှိသော ဆုတ်ယုတ်မှုပုံစံသည် တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုမျဉ်းတစ်ဝိုက်တွင် ဒေတာအချက်များ ပိုမိုလျော့ရဲရဲ ပြန့်ကျဲနေလိမ့်မည်-

ဤမော်ဒယ်မှ အကြွင်းအကျန်များသည် ပိုကြီးလိမ့်မည်၊ ဆိုလိုသည်မှာ ကျန်နေသောစံလွဲချော်မှုမှာလည်း ပိုကြီးမည်ဖြစ်သည်။

အောက်ဖော်ပြပါ ဥပမာသည် R တွင် ဆုတ်ယုတ်မှုပုံစံတစ်ခု၏ ကျန်နေသောစံနှုန်းအမှားကို တွက်ချက်နည်းနှင့် အဓိပ္ပာယ်ပြန်ဆိုပုံကို ပြသထားသည်။

ဥပမာ- ကျန်နေသည့်စံနှုန်းအမှားကို ဘာသာပြန်ခြင်း။

ကျွန်ုပ်တို့သည် အောက်ပါ multiple linear regression model ကို ကိုက်ညီလိုသည်ဆိုပါစို့။

mpg = β ₀ + β ₁ (နေရာရွှေ့ပြောင်းခြင်း) + β ₂ (ပါဝါ)

ဤမော်ဒယ်သည် ပေးထားသောကားတစ်စီးဖြင့်သွားသော တစ်ဂါလံမိုင်နှုန်းကို ခန့်မှန်းရန် “ နေရာရွှေ့ပြောင်းခြင်း” နှင့် “ မြင်းကောင်ရေ” ကို ခန့်မှန်းပေးသည့်ကိန်းရှင်များကို အသုံးပြုသည်။

အောက်ပါကုဒ်သည် ဤဆုတ်ယုတ်မှုပုံစံကို R တွင် မည်ကဲ့သို့ အံဝင်ခွင်ကျဖြစ်စေသည်ကို ပြသသည်-

 #load built-in mtcars dataset
data(mtcars)

#fit regression model
model <- lm(mpg~disp+hp, data=mtcars)

#view model summary
summary(model)

Call:
lm(formula = mpg ~ disp + hp, data = mtcars)

Residuals:
    Min 1Q Median 3Q Max 
-4.7945 -2.3036 -0.8246 1.8582 6.9363 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) 30.735904 1.331566 23.083 < 2nd-16 ***
available -0.030346 0.007405 -4.098 0.000306 ***
hp -0.024840 0.013385 -1.856 0.073679 .  
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 3.127 on 29 degrees of freedom
Multiple R-squared: 0.7482, Adjusted R-squared: 0.7309 
F-statistic: 43.09 on 2 and 29 DF, p-value: 2.062e-09

ရလဒ်၏အောက်ခြေတွင်၊ ဤမော်ဒယ်၏ကျန်ရှိသောစံလွဲချော်မှုသည် 3.127 ဖြစ်သည်ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်ပါသည်။

ဆုတ်ယုတ်မှုပုံစံသည် ကား mpg ကို ပျမ်းမျှအမှား 3,127 ခန့်ဖြင့် ခန့်မှန်းပေးသည်ဟု ၎င်းကဆိုသည်။

မော်ဒယ်များကို နှိုင်းယှဉ်ရန် ကျန်နေသော စံအမှားကို အသုံးပြုခြင်း။

ကျန်ရှိသောစံနှုန်းအမှားသည် မတူညီသောဆုတ်ယုတ်မှုပုံစံများ၏ အံဝင်ခွင်ကျမှုကို နှိုင်းယှဉ်ရန်အတွက် အထူးအသုံးဝင်သည်။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် မော်တော်ကား စိုင်းစိုင်းခမ်းလှိုင်ကို ခန့်မှန်းရန် မတူညီသော ဆုတ်ယုတ်မှုပုံစံနှစ်ခုကို တပ်ဆင်ထားသည်ဆိုပါစို့။ မော်ဒယ်တစ်ခုစီ၏ ကျန်နေသော စံလွဲချော်မှုမှာ အောက်ပါအတိုင်းဖြစ်သည်။

• မော်ဒယ် 1: 3.127 ၏ ကျန်နေသော စံလွဲချော်မှု
• မော်ဒယ် 2: 5.657 ၏ ကျန်နေသော စံအမှား

Model 1 တွင် နိမ့်ကျန်နေသော စံအမှားတစ်ခုရှိသောကြောင့်၊ ၎င်းသည် Model 2 ထက် ဒေတာပိုမိုကိုက်ညီပါသည်။ ထို့ကြောင့်၊ ကျွန်ုပ်တို့သည် ကားစိုင်းစိုင်းခမ်းလှိုင်ကို ခန့်မှန်းရန် Model 1 ကို အသုံးပြုလိုသည်၊ အကြောင်းမှာ ၎င်းခန့်မှန်းချက်များသည် ကားများ၏ mpg တန်ဖိုးများနှင့် ပိုမိုနီးစပ်သောကြောင့်ဖြစ်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

R တွင် ရိုးရှင်းသော linear regression လုပ်နည်း
R တွင် linear regression အများအပြားလုပ်ဆောင်နည်း
R တွင်ကျန်ရှိသောကွက်ကွက်ဖန်တီးနည်း