Category: လမ်းညွှန်

R တွင် သင်ကြုံတွေ့ရလေ့ရှိသော အမှားတစ်ခုမှာ- Error : unexpected string constant in... R တွင် ကိုးကားမှတ်များကို မှားယွင်းစွာအသုံးပြုသောအခါ ဤအမှားဖြစ်ပေါ်ပါသည်။ အောက်ပါဥပမာသုံးခုသည် မတူညီသောအခြေအနေများတွင် ဤအမှားအယွင်းဖြစ်ပေါ်လာနိုင်သည်ကို သရုပ်ဖော်သည်။ ဥပမာ 1- ဖိုင်တစ်ခုကို တင်သွင်းသည့်အခါ မမျှော်လင့်ထားသော စာကြောင်း အဆက်မပြတ် ကျွန်ုပ်တို့သည် ဒေတာဘောင်တစ်ခုအဖြစ် R သို့ ကော်လံ-ခြားထားသော ဖိုင်တစ်ခုကို တင်သွင်းရန် ကြိုးစားနေသည်ဆိုပါစို့။ #attempt to import colon-delimited file read. csv...

R ကိုအသုံးပြုရာတွင် သင်ကြုံတွေ့ရနိုင်သည့် အမှားတစ်ခုမှာ- Error in plot.window(...): need finite 'xlim' values R တွင် ကွက်ကွက်တစ်ခုဖန်တီးရန် ကြိုးပမ်းပြီး x-axis တွင် NA တန်ဖိုးများသာရှိသော ဇာတ်ကောင် vector သို့မဟုတ် vector ကို အသုံးပြုသည့်အခါ ဤအမှားသည် ဖြစ်ပေါ်လာပါသည်။ အောက်ဖော်ပြပါ ဥပမာများသည် လက်တွေ့တွင် ဤမှားယွင်းမှု ဖြစ်ပေါ်လာနိုင်သည့် မတူညီသော အခြေအနေနှစ်ခုကို ပြသထားသည်။ ဥပမာ 1- စာလုံး vector နှင့် အမှား...

R တွင် သင်ကြုံတွေ့ရနိုင်သည့် ဘုံသတိပေးချက်မှာ- glm.fit: algorithm did not converge R တွင် logistic regression model ကို အံဝင်ခွင်ကျဖြစ်အောင် ကြိုးစားပြီး ပြီး ပြည့်စုံသော ပိုင်းခြားမှုကို မြင်သောအခါ၊ ခန့်မှန်းသူကိန်းရှင်သည် တုံ့ပြန်မှုကိန်းရှင်ကို 0 နှင့် 1 တွင် အပြည့်အ၀ ခွဲခြားနိုင်သောအခါတွင် ဤသတိပေးချက်သည် မကြာခဏ ဖြစ်ပေါ်ပါသည်။ အောက်ဖော်ပြပါ ဥပမာသည် ဤသတိပေးချက်ကို လက်တွေ့တွင် မည်သို့ကိုင်တွယ်ရမည်ကို ပြသထားသည်။ သတိပေးချက်ကို ဘယ်လိုမျိုးပွားမလဲ။ R...

R တွင် သင်ကြုံတွေ့ရနိုင်သည့် ဘုံသတိပေးချက်မှာ- Warning message: In predict.lm(model, df): prediction from a rank-deficient fit may be misleading ဤသတိပေးချက်သည် အကြောင်းရင်းနှစ်ခုကြောင့် ဖြစ်နိုင်သည်- အကြောင်းပြချက် 1- ကြိုတင်ခန့်မှန်းကိန်းရှင်နှစ်ခုသည် လုံးဝဆက်စပ်နေသည်။ အကြောင်းပြချက် 2- သင့်တွင် ဒေတာအတွဲရှိ စောင့်ကြည့်မှုများထက် မော်ဒယ်ဘောင်ဘောင်များ ပိုများသည်။ ပြဿနာတစ်ခုစီသည် လက်တွေ့တွင် မည်သို့ဖြစ်ပေါ်လာနိုင်သည်ကို အောက်ပါဥပမာများက ပြသသည်။ အကြောင်းပြချက် # 1- ကြိုတင်ခန့်မှန်းကိန်းရှင်နှစ်ခုသည် လုံးဝဆက်စပ်နေသည်။...

စာရင်းဇယားများတွင်၊ ကိန်းရှင်အားလုံးကို တိုင်းတာမှုစကေးလေးခုအနက်တစ်ခုပေါ်တွင် တိုင်းတာသည်- Nominal : အရေအတွက်တန်ဖိုးများ မရှိသော ကိန်းရှင်များ။ Ordinal : သဘာဝအစီအစဥ်ရှိသော်လည်း တန်ဖိုးများကြားတွင် အရေအတွက် ကွာခြားချက်မရှိပါ။ ကြားကာလ – သဘာဝအစီအစဥ်တစ်ခုနှင့် တန်ဖိုးများအကြား အတိုင်းအတာတစ်ခုအထိ ခြားနားချက်ရှိသော်လည်း “စစ်မှန်သောသုည” တန်ဖိုးမရှိပါ။ အချိုးအစား – သဘာဝအစီအစဥ်တစ်ခု၊ တန်ဖိုးများအကြား ကိန်းဂဏန်းခြားနားချက်နှင့် “ စစ်မှန်သော သုည” တန်ဖိုးရှိသော ကိန်းရှင်များ။ အောက်ပါဂရပ်သည် ဤမတူညီသောတိုင်းတာမှုအဆင့်များကို အကျဉ်းချုပ်ဖော်ပြသည်- ကျောင်းသားတွေ မေးလေ့ရှိတဲ့ မေးခွန်းတစ်ခုကတော့ “ အချိန်”...

Statistics တွင်၊ variable နှစ်မျိုးရှိသည်။ Quantitative variables : တိုင်းတာနိုင်သော ပမာဏကို ကိုယ်စားပြုသော ကိန်းရှင်များ။ ဥပမာများ ပါဝင်သည်- စတုရန်းပေ အရပ်အမြင့် အလေးချိန် လူဦးရေ အရွယ်အစား အရည်အသွေးရှိသော ကိန်းရှင်များ – အမည်များ သို့မဟုတ် အညွှန်းများကို ယူကာ အမျိုးအစားများအဖြစ် ကျရောက်သော ကိန်းရှင်များ။ ဥပမာများ ပါဝင်သည်- မျက်လုံးအရောင် ကျား၊ အိမ်ထောင်ရေးအခြေအနေ ခွေးမျိုး ကျောင်းသားတွေ မေးလေ့ရှိတဲ့ မေးခွန်းတစ်ခုကတော့ အသက်ကို အရည်အသွေး (သို့) အရေအတွက်...

အကွက်ကွက်ကွက် သည် ဂဏန်းငါးလုံးအကျဉ်းချုပ်ကို ဖော်ပြသည့် ကွက်ကွက်အမျိုးအစားတစ်ခုဖြစ်ပြီး၊ ၎င်းပါဝင်သည်- အနိမ့်ဆုံးတန်ဖိုး ပထမ quartile (၂၅ ခုမြောက် ရာခိုင်နှုန်း) ပျမ်းမျှတန်ဖိုး တတိယ ကွာတား (၇၅ ခုမြောက် ရာခိုင်နှုန်း)၊ အများဆုံးတန်ဖိုး မည်သည့်ဒေတာအတွဲအတွက်မဆို အကွက်ကွက်ကွက်ဖန်တီးရန် ရိုးရှင်းသော အဆင့်သုံးဆင့်ကို အသုံးပြုပါသည်။ 1. ပထမပုံမှ တတိယမြောက် လေးထောင့်ကွက်ကို ဆွဲပါ။ 2. အလယ်ဗဟိုတွင် ဒေါင်လိုက်မျဉ်းဆွဲပါ။ 3. အနိမ့်ဆုံးနှင့် အမြင့်ဆုံးတန်ဖိုးသို့ quartiles ၏ “ ပါးသိုင်းမွှေးများ” ကိုဆွဲပါ။ ကျွန်ုပ်တို့သည်...

ဆုတ်ယုတ်မှုပုံစံများကို တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ကြိုတင်ခန့်မှန်းကိန်းရှင်များနှင့် တုံ့ပြန်မှုကိန်းရှင် တစ်ခုအကြား ဆက်နွယ်မှုကို အရေအတွက်သတ်မှတ်ရန်အတွက် အသုံးပြုသည်။ ကျွန်ုပ်တို့သည် ဆုတ်ယုတ်မှုပုံစံတစ်ခုကို အံဝင်ခွင်ကျဖြစ်စေသည့်အခါတိုင်း၊ တုံ့ပြန်မှုကိန်းရှင်၏တန်ဖိုးကို ခန့်မှန်းရန် တုံ့ပြန်မှုကိန်းရှင်၏တန်ဖိုးများကို ခန့်မှန်းရန်အတွက် မော်ဒယ်သည် ခန့်မှန်းသူကိန်းရှင်များ၏ တန်ဖိုးများကို မည်မျှကောင်းစွာအသုံးပြုနိုင်သည်ကို ကျွန်ုပ်တို့နားလည်လိုပါသည်။ အောက်ပါအတိုင်း တွက်ချက်ထားသည့် မော်ဒယ်တစ်ခုသည် ဒေတာအစုံနှင့် ကိုက်ညီမှု မည်မျှ ကောင်းမွန်ကြောင်း တိုင်းတာရန် ကျွန်ုပ်တို့ အသုံးပြုလေ့ရှိသည့် မက်ထရစ်နှစ်ခုမှာ ပျမ်းမျှ အကြွင်းမဲ့ အမှား (MAE) နှင့် အောက်ပါအတိုင်း တွက်ချက်ထားသည့် အရင်းအနှီးစတုရန်းအမှား...

Linear regression ကို ခန့်မှန်းသူကိန်းရှင်နှင့် တုံ့ပြန်မှုကိန်းရှင်ကြားရှိ ဆက်နွယ်မှုကို အရေအတွက်သတ်မှတ်ရန်အတွက် အသုံးပြုသည်။ ကျွန်ုပ်တို့သည် linear regression ကိုလုပ်ဆောင်သည့်အခါတိုင်း၊ ခန့်မှန်းသူ variable နှင့် response variable အကြား ကိန်းဂဏန်းဆိုင်ရာ သိသာထင်ရှားသော ဆက်နွယ်မှုရှိမရှိ သိလိုပါသည်။ regression slope အတွက် t-test ကို လုပ်ဆောင်ခြင်းဖြင့် အရေးပါမှုကို ကျွန်ုပ်တို့ စမ်းသပ်ပါသည်။ ဤ t-test အတွက် ကျွန်ုပ်တို့သည် အောက်ပါ null နှင့် အခြား သီအိုရီကို အသုံးပြုသည်-...

NumPy ကိုအသုံးပြုရာတွင် သင်ကြုံတွေ့ရသော အမှားတစ်ခုမှာ- TypeError : 'numpy.float64' object cannot be interpreted as an integer ကိန်းပြည့်ကိုမျှော်လင့်ထားသည့် လုပ်ဆောင်ချက်တစ်ခုသို့ သင် float ကို ပေးသောအခါတွင် ဤအမှားဖြစ်ပေါ်ပါသည်။ အောက်ဖော်ပြပါ ဥပမာသည် ဤအမှားကို လက်တွေ့တွင် မည်သို့ပြုပြင်ရမည်ကို ပြသထားသည်။ အမှားကို ဘယ်လိုပြန်ထုတ်မလဲ။ မတူညီသော နံပါတ်များကို NumPy array တစ်ခုသို့ print ထုတ်ရန် အောက်ဖော်ပြပါ ကွက်လပ်ကို အသုံးပြုရန် ကြိုးစားသည်ဆိုပါစို့။ import...