Category: လမ်းညွှန်
မကြာခဏဆိုသလို ကိန်းဂဏန်းများအရ ကျွန်ုပ်တို့သည် သီအိုရီစမ်းသပ်မှု မှထွက်ပေါ်လာသော အချို့ z-ရမှတ်နှင့်ဆက်စပ်နေသည့် p-တန်ဖိုးကို ဆုံးဖြတ်လိုကြသည်။ ဤ p-value သည် အချို့သော အရေးပါမှုအဆင့်အောက်တွင် ရှိနေပါက၊ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ ယူဆချက်စမ်းသပ်မှု၏ null hypothesis ကို ငြင်းပယ်နိုင်ပါသည်။ Python တွင် z-score နှင့်ဆက်စပ်နေသည့် p တန်ဖိုးကိုရှာရန်၊ အောက်ပါ syntax ကိုအသုံးပြုသည့် scipy.stats.norm.sf() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်ပါသည်။ scipy.stats.norm.sf(abs(x)) ရွှေ- x: z ရမှတ် အောက်ဖော်ပြပါနမူနာများသည် ဘယ်ဘက်ခြမ်းစမ်းသပ်မှုအတွက်...
မကြာခဏဆိုသလို ကိန်းဂဏန်းများအရ ကျွန်ုပ်တို့သည် သီအိုရီစမ်းသပ်မှု မှထွက်ပေါ်လာသော အချို့သော t-score နှင့်ဆက်စပ်သော p-value ကို ဆုံးဖြတ်လိုကြသည်။ ဤ p-value သည် အချို့သော အရေးပါမှုအဆင့်အောက်တွင် ရှိနေပါက၊ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ ယူဆချက်စမ်းသပ်မှု၏ null hypothesis ကို ငြင်းပယ်နိုင်ပါသည်။ Python တွင် t-score နှင့် ဆက်စပ်နေသည့် p တန်ဖိုးကို ရှာဖွေရန်၊ အောက်ပါ syntax ကိုအသုံးပြုသည့် scipy.stats.t.sf() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်ပါသည်။ scipy.stats.t.sf(abs(x), df) ရွှေ-...
တူညီသောဖြန့်ဝေမှုသည် a မှ b ကြားကာလတစ်ခုကြားရှိ တန်ဖိုးတစ်ခုစီတွင် ရွေးချယ်ခံရနိုင်ခြေတူညီသော ဖြစ်နိုင်ခြေဖြန့်ဝေမှုတစ်ခုဖြစ်သည်။ a မှ b ကြားကာလတစ်ခုတွင် x 1 နှင့် x 2 ကြားတန်ဖိုးတစ်ခုရရှိရန် ဖြစ်နိုင်ခြေကို ဖော်မြူလာကို အသုံးပြု၍ ရှာတွေ့နိုင်သည်- P(x 1 နှင့် x 2 ကြားတန်ဖိုးကိုရယူပါ) = (x 2 – x 1 ) / (b – a) ယူနီဖောင်း ဖြန့်ဖြူးမှုတွင်...
Autocorrelation သည် အချိန်အပိုင်းအခြားတစ်ခုနှင့် တစ်ခုအကြား ကွာဟနေသော ဗားရှင်းတစ်ခုကြား တူညီမှုအတိုင်းအတာကို တိုင်းတာသည်။ ကိန်းရှင်တစ်ခု၏ လက်ရှိတန်ဖိုးများနှင့် ၎င်း၏သမိုင်းတန်ဖိုးများကြား ဆက်နွယ်မှုကို တိုင်းတာသောကြောင့် ၎င်းကို တစ်ခါတစ်ရံတွင် “ serial correlation” သို့မဟုတ် “ lagged correlation” ဟုခေါ်သည်။ အချိန်စီးရီးတစ်ခုရှိ autocorrelation မြင့်မားသောအခါ၊ အတိတ်တန်ဖိုးများကို ရည်ညွှန်းရုံဖြင့် အနာဂတ်တန်ဖိုးများကို ခန့်မှန်းရန် လွယ်ကူလာပါသည်။ Excel တွင် အလိုအလျောက်ဆက်စပ်မှု Excel တွင် autocorrelation ကိုတွက်ချက်ရန် built-in function မရှိသော်လည်း...
Autocorrelation သည် အချိန်အပိုင်းအခြားတစ်ခုနှင့် တစ်ခုအကြား ကွာဟနေသော ဗားရှင်းတစ်ခုကြား တူညီမှုအတိုင်းအတာကို တိုင်းတာသည်။ ကိန်းရှင်တစ်ခု၏ လက်ရှိတန်ဖိုးများနှင့် ၎င်း၏သမိုင်းတန်ဖိုးများကြား ဆက်နွယ်မှုကို တိုင်းတာသောကြောင့် ၎င်းကို တစ်ခါတစ်ရံတွင် “ serial correlation” သို့မဟုတ် “ lagged correlation” ဟုခေါ်သည်။ အချိန်စီးရီးတစ်ခုရှိ autocorrelation မြင့်မားသောအခါ၊ အတိတ်တန်ဖိုးများကို ရည်ညွှန်းရုံဖြင့် အနာဂတ်တန်ဖိုးများကို ခန့်မှန်းရန် လွယ်ကူလာပါသည်။ Python တွင် Autocorrelation တွက်ချက်နည်း Python တွင် အောက်ပါ time series ရှိသည်ဆိုပါစို့။...
variable နှစ်ခုကြားရှိ ဆက်နွယ်မှုကို တိုင်းတာရန် နည်းလမ်းတစ်ခုမှာ Pearson correlation coefficient ကို အသုံးပြုခြင်းဖြစ်ပြီး၊ ကိန်းရှင်နှစ်ခုကြားရှိ မျဉ်းကြောင်းဆက်စပ်မှုကို တိုင်းတာခြင်းဖြစ်သည်။ ၎င်းသည် အမြဲတမ်း -1 နှင့် 1 အကြား တန်ဖိုးတစ်ခုကို ယူသည်- -1 သည် ကိန်းရှင်နှစ်ခုကြားတွင် လုံးဝအပျက်သဘောဆောင်သော ဆက်စပ်ဆက်နွယ်မှုကို ညွှန်ပြသည်။ 0 သည် variable နှစ်ခုကြားတွင် linear ဆက်စပ်မှုမရှိဟု ညွှန်ပြသည်။ 1 သည် ကိန်းရှင်နှစ်ခုကြားတွင် လုံးဝအပြုသဘောဆောင်သောမျဉ်းကြောင်းဆက်စပ်မှုကို ညွှန်ပြသည်။ ဆက်စပ်ကိန်းဂဏန်းတစ်ခုသည် ကိန်းဂဏန်းအရ...
Outlier သည် ဒေတာအတွဲတစ်ခုရှိ အခြားတန်ဖိုးများနှင့် ပုံမှန်မဟုတ်စွာ ဝေးကွာနေသော စူးစမ်းမှု တစ်ခုဖြစ်သည်။ ခွဲခြမ်းစိတ်ဖြာမှု၏ရလဒ်များကို ထိခိုက်စေနိုင်သောကြောင့် အစွန်းထွက်သူများသည် ပြဿနာရှိနိုင်သည်။ အောက်ဖော်ပြပါ ဒေတာများကို Excel တွင် သတ်မှတ်ထားသော အချက်အလက်များကို အသုံးပြု၍ ပြင်ပအရာများကို ရှာဖွေရန် နည်းလမ်းနှစ်ခုကို သရုပ်ပြပါမည်။ ဆက်စပ်- Excel တွင် Outliers များ မပါဝင်သည့် ပျမ်းမျှအား တွက်ချက်နည်း နည်းလမ်း 1- ကွာတားအကွာအဝေးကို အသုံးပြုပါ။ interquartile အကွာအဝေး (IQR) သည် ဒေတာအတွဲတစ်ခုတွင် 75th...
အ စက်ချကွက် ဆိုသည်မှာ အစက်များကို အသုံးပြု၍ ကြိမ်နှုန်းများကိုပြသသည့် ကွက်ကွက်အမျိုးအစားတစ်ခုဖြစ်သည်။ ဤသင်ခန်းစာသည် Excel တွင် အောက်ဖော်ပြပါ အစက်ကွက်ဖန်တီးနည်းကို ရှင်းပြထားသည်။ ဥပမာ- Excel တွင် အမှတ်များဆွဲခြင်း။ Excel တွင် အောက်ပါ ကြိမ်နှုန်းဇယား ရှိသည် ဆိုပါစို့။ ဤအကြိမ်ရေဇယားအတွက် အစက်ချကွက်ဖန်တီးရန် အောက်ပါအဆင့်များကို လိုက်နာပါ။ အဆင့် 1: ဒေတာကို ပြန်လည်ဖွဲ့စည်းပါ။ ပထမဦးစွာ၊ ကျွန်ုပ်တို့သည် ဒေတာကို “ ရှည်” ဖော်မတ်အဖြစ် ပြန်လည်ဖွဲ့စည်းရန် လိုအပ်သည်- အဆင့် 2-...
Linear regression သည် တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ကြိုတင်ခန့်မှန်းကိန်းရှင်များနှင့် တုံ့ပြန်မှုကိန်းရှင်အကြား ဆက်နွယ်မှုကို နားလည်ရန် ကျွန်ုပ်တို့အသုံးပြုနိုင်သည့် နည်းလမ်းတစ်ခုဖြစ်သည်။ ဤသင်ခန်းစာတွင် Python တွင် linear regression လုပ်နည်းကို ရှင်းပြထားသည်။ ဥပမာ- Python တွင် linear regression စာကျက်ချိန်နာရီအရေအတွက်နှင့် စာမေးပွဲဖြေဆိုသည့် အကြိမ်အရေအတွက်သည် ပေးထားသည့် စာမေးပွဲတွင် ကျောင်းသားလက်ခံသည့် အတန်းအပေါ် သက်ရောက်မှုရှိမရှိ သိချင်သည်ဆိုပါစို့။ ဤဆက်နွယ်မှုကို လေ့လာရန်၊ မျဉ်းကြောင်းပြန်ဆုတ်မှုများစွာကို လုပ်ဆောင်ရန် Python တွင် အောက်ပါအဆင့်များကို လုပ်ဆောင်နိုင်ပါသည်။...
ဆုတ်ယုတ်မှု ခွဲခြမ်းစိတ်ဖြာခြင်းကို တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ရှင်းပြကိန်းရှင်များနှင့် တုံ့ပြန်မှုကိန်းရှင်တို့ကြား ဆက်နွယ်မှုကို အရေအတွက်သတ်မှတ်ရန်အတွက် အသုံးပြုသည်။ ဆုတ်ယုတ်မှုခွဲခြမ်းစိတ်ဖြာမှု၏ အသုံးအများဆုံးအမျိုးအစားမှာ ရိုးရှင်းသောမျဉ်းကြောင်းဆုတ်ယုတ်မှု ဖြစ်ပြီး၊ ခန့်မှန်းသူကိန်းရှင်နှင့် တုံ့ပြန်မှုကိန်းရှင်သည် မျဉ်းကြောင်းဆက်စပ်မှုရှိသည့်အခါ အသုံးပြုသည်။ သို့သော် တစ်ခါတစ်ရံတွင် ကြိုတင်ခန့်မှန်းကိန်းရှင်နှင့် တုံ့ပြန်မှုကိန်းရှင်ကြား ဆက်ဆံရေးသည် လိုင်းမဟုတ်ပေ။ ဥပမာအားဖြင့်၊ စစ်မှန်သောဆက်ဆံရေးသည် လေးထောင့်ပုံဖြစ်နိုင်သည်- သို့မဟုတ် ၎င်းသည် ကုဗိလ်ဖြစ်နိုင်သည်။ ဤကိစ္စများတွင်၊ ကိန်းရှင်များကြားတွင် linear မဟုတ်သော ဆက်နွယ်မှုကို တွက်ချက်နိုင်သည့် polynomial regression ကို အသုံးပြုခြင်းသည် အဓိပ္ပါယ်ရှိစေသည်။...