Category: လမ်းညွှန်

ကျန်ရှိသောကွဲလွဲမှု (တစ်ခါတစ်ရံ “ ရှင်းပြမထားသောကွဲလွဲမှု” ဟုခေါ်သည်) သည် မော်ဒယ်ကိန်းရှင်များဖြင့် ရှင်းပြ၍မရသော မော်ဒယ်တစ်ခုရှိ ကွဲလွဲမှုကို ရည်ညွှန်းသည်။ မော်ဒယ်တစ်ခု၏ ကျန်ရှိသောကွဲလွဲမှု မြင့်မားလေ၊ မော်ဒယ်သည် ဒေတာကွဲလွဲမှုကို ရှင်းပြနိုင်မှု နည်းပါးလေဖြစ်သည်။ ကွဲပြားသော ကိန်းဂဏန်းပုံစံနှစ်ခု၏ ရလဒ်များတွင် ကျန်ရှိသောကွဲလွဲမှု ပေါ်လာသည်- 1. ANOVA: အမှီအခိုကင်းသော အုပ်စုသုံးစု သို့မဟုတ် ထို့ထက်ပိုသော အဓိပ္ပါယ်များကို နှိုင်းယှဉ်ရန် အသုံးပြုသည်။ 2. Regression- တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ကြိုတင်ခန့်မှန်းကိန်းရှင်များနှင့် တုံ့ပြန်မှုကိန်းရှင် ကြား ဆက်နွယ်မှုကို...

မကြာခဏဆိုသလို စာရင်းဇယားများတွင် ကျွန်ုပ်တို့သည် သီးခြားလက္ခဏာတစ်ရပ်ရှိသော လူဦး ရေ၏ အချိုးအစားကို ခန့်မှန်းရန်ရှာကြသည်။ ဥပမာအားဖြင့်၊ ဥပဒေအသစ်ကို ထောက်ခံသည့် မြို့တစ်မြို့မှ နေထိုင်သူ အချိုးအစားကို ကျွန်ုပ်တို့ ခန့်မှန်းလိုပေမည်။ နေထိုင်သူတိုင်းက ဥပဒေကို ထောက်ခံသလားလို့ မေးမယ့်အစား ရိုးရှင်းတဲ့ ကျပန်းနမူနာကို ကောက်ယူပြီး ဥပဒေကို ထောက်ခံတဲ့ နမူနာမှာ နေထိုင်သူ အရေအတွက်ကို ရှာဖွေပါ။ ထို့နောက် နမူနာအချိုး (p̂) ကို အောက်ပါအတိုင်း တွက်ချက်ပါမည်။ အချိုးအစား ဖော်မြူလာ ဥပမာ- p̂ = x/n...

binomial ဖြစ်နိုင်ခြေအတွက် ယုံကြည်မှုကြားကာလကို အောက်ပါဖော်မြူလာဖြင့် တွက်ချက်သည်- ယုံကြည်မှုကြားကာလ = p +/- z*(√ p(1-p) / n ) ရွှေ- p- “ အောင်မြင်မှု” အချိုးအစား z- ရွေးချယ်ထားသော z တန်ဖိုး n: နမူနာအရွယ်အစား သင်အသုံးပြုသည့် z တန်ဖိုးသည် သင်ရွေးချယ်သော ယုံကြည်မှုအဆင့်ပေါ်တွင် မူတည်သည်။ အောက်ပါဇယားသည် အသုံးအများဆုံးယုံကြည်မှုအဆင့်ရွေးချယ်မှုများနှင့် ကိုက်ညီသည့် z တန်ဖိုးကို ပြသသည်- ယုံကြည်မှုအဆင့် z တန်ဖိုး ၀.၉၀...

စာရင်းဇယားများတွင် t α/2 ဟူသော အသုံးအနှုန်းကို တွေ့သည့်အခါတိုင်း၊ ၎င်းသည် α/2 နှင့် ကိုက်ညီသည့် t ဖြန့်ဖြူးရေးဇယား၏ အရေးကြီးသောတန်ဖိုးကို ရည်ညွှန်းသည်။ ဤသင်ခန်းစာတွင် အောက်ပါတို့ကို ရှင်းပြထားသည်။ az ဇယားကိုသုံးပြီး t α/2 ကိုဘယ်လိုရှာမလဲ။ ဂဏန်းပေါင်းစက်သုံးပြီး t α/2 ကို ဘယ်လိုရှာမလဲ။ t α/2 တန်ဖိုးများကို ဘယ်လိုသုံးမလဲ။ သွားကြရအောင်! t α/2 ကို စားပွဲပေါ်မှာ ဘယ်လိုရှာရမလဲ အောက်ပါတန်ဖိုးများကို အသုံးပြု၍ စမ်းသပ်မှုတစ်ခုအတွက် t...

DataFrame inline list တစ်ခုအား Python သို့ပြောင်းရန် အောက်ပါ syntax ကို အသုံးပြုနိုင်ပါသည်။ #define list x = [4, 5, 8, ' A ' ' B '] #convert list to DataFrame df = pd. DataFrame (x). T စာရင်းများကို DataFrame ၏ လိုင်းများစွာသို့ ပြောင်းရန် အောက်ပါ syntax ကို...

အလေးချိန်စံနှုန်းသွေဖည်ခြင်းသည် ဒေတာအတွဲတစ်ခုတွင် တန်ဖိုးများကွဲလွဲမှုကို တိုင်းတာရန် အသုံးဝင်သောနည်းလမ်းဖြစ်ပြီး ဒေတာအတွဲအတွင်းရှိ အချို့သောတန်ဖိုးများသည် အခြားအရာများထက် အလေးချိန်ပိုမြင့်နေချိန်တွင်ဖြစ်သည်။ အလေးချိန်စံသွေဖည်မှုကို တွက်ချက်ရန်အတွက် ဖော်မြူလာမှာ- ရွှေ- N- လေ့လာတွေ့ရှိချက် စုစုပေါင်းအရေအတွက် M- သုညမဟုတ်သော အလေးအရေအတွက် w i : အလေးချိန် vector တစ်ခု x i : ဒေတာတန်ဖိုးများ၏ vector တစ်ခု x : အလေးချိန်ပျမ်းမျှ R တွင် အလေးချိန် စံသွေဖည်မှုကို တွက်ချက်ရန် အလွယ်ဆုံးနည်းလမ်းမှာ အောက်ပါ...

နုံအသောခန့်မှန်းချက် ဆိုသည်မှာ ပေးထားသောကာလတစ်ခုအတွက် ခန့်မှန်းချက်သည် ယခင်ကာလကတွေ့ရှိခဲ့သည့်တန်ဖိုးနှင့် ရိုးရှင်းစွာတူညီပါသည်။ ဥပမာအားဖြင့်၊ ယခုနှစ် ပထမသုံးလအတွင်း ကျွန်ုပ်တို့တွင် ပေးထားသော ထုတ်ကုန်တစ်ခု၏ ရောင်းအားမှာ အောက်ပါအတိုင်းဖြစ်သည်ဆိုပါစို့။ ဧပြီလ အရောင်းခန့်မှန်းချက်သည် ယခင်မတ်လအတွက် အမှန်တကယ်ရောင်းအားနှင့် ညီမျှသည်- ဤနည်းလမ်းသည် ရိုးရှင်းသော်လည်း လက်တွေ့တွင် အံ့အားသင့်ဖွယ်ကောင်းသည်။ ဤသင်ခန်းစာသည် R တွင် နုံချာသော ကြိုတင်ခန့်မှန်းချက်များကို လုပ်ဆောင်ပုံအဆင့်ဆင့် ဥပမာကို ပေးသည်။ အဆင့် 1: ဒေတာကိုထည့်ပါ။ ဦးစွာ၊ ကျွန်ုပ်တို့သည် စိတ်ကူးယဉ်ကုမ္ပဏီတစ်ခုတွင် 12 လတာကာလအတွင်း အရောင်းဒေတာကို ထည့်သွင်းပါမည်-...

Symmetric Mean Absolute Percentage Error (SMAPE) ကို မော်ဒယ်များ၏ ကြိုတင်ခန့်မှန်းနိုင်သော တိကျမှုကို တိုင်းတာရန် အသုံးပြုပါသည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။ SMAPE = (1/n) * Σ(|ခန့်မှန်းချက် – အမှန်တကယ်| / ((| အမှန်တကယ်| + | ခန့်မှန်းချက်|)/2) * 100 ရွှေ- ∑ – “ပေါင်း” ဟူသော သင်္ကေတ n – နမူနာအရွယ်အစား real – ဒေတာ၏...

Symmetric Mean Absolute Percentage Error (SMAPE) ကို မော်ဒယ်များ၏ ကြိုတင်ခန့်မှန်းနိုင်သော တိကျမှုကို တိုင်းတာရန် အသုံးပြုပါသည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။ SMAPE = (1/n) * Σ(|ခန့်မှန်းချက် – အမှန်တကယ်| / ((| အမှန်တကယ်| + | ခန့်မှန်းချက်|)/2) * 100 ရွှေ- ∑ – “ပေါင်း” ဟူသော သင်္ကေတ၊ n – နမူနာအရွယ်အစား real – အချက်အလက်၏...

R တွင် loop ကိုအသုံးပြု၍ vector တစ်ခုသို့တန်ဖိုးများထည့်ရန်၊ အောက်ပါအခြေခံအထားအသိုကိုသုံးနိုင်သည်။ for (i in 1:10) { data <- c(data, i) } အောက်ပါဥပမာများသည် ဤ syntax ကိုလက်တွေ့တွင်မည်သို့အသုံးပြုရမည်ကိုပြသထားသည်။ ဥပမာ 1: Empty Vector သို့ တန်ဖိုးများထည့်ပါ။ အောက်ဖော်ပြပါကုဒ်သည် R တွင် အလွတ် vector တစ်ခုသို့ တန်ဖိုးများထည့်နည်းကို ပြသသည်- #define empty vector data <-c() #use...