Category: လမ်းညွှန်
ကိန်းဂဏန်းစာရင်းဇယားများတွင်၊ လွဲမှားမှု နှင့် kurtosis သည် ဖြန့်ဖြူးမှုပုံသဏ္ဍာန်ကို တိုင်းတာသည့် နည်းလမ်းနှစ်သွယ်ဖြစ်သည်။ Skewness သည် ဖြန့်ဝေမှုတစ်ခု၏ ပေါ့ပါးမှု၏ အတိုင်းအတာတစ်ခုဖြစ်သည်။ ဤတန်ဖိုးသည် အပေါင်း သို့မဟုတ် အနုတ်လက္ခဏာ ဖြစ်နိုင်သည်။ အနုတ်လက္ခဏာ လွဲချော်နေခြင်းက အမြီးသည် ဖြန့်ဖြူးမှု၏ ဘယ်ဘက်ခြမ်းတွင် ရှိနေကြောင်း ညွှန်ပြသည်၊ ၎င်းသည် ပို၍ အနုတ်လက္ခဏာတန်ဖိုးများဆီသို့ တိုးသွားပါသည်။ အပြုသဘောဆောင်သော လှည့်ကွက်သည် အမြီးသည် ဖြန့်ဖြူးမှု၏ ညာဘက်ခြမ်းတွင် ရှိနေကြောင်း ညွှန်ပြသည်၊ ၎င်းသည် ပိုမိုအပြုသဘောဆောင်သော တန်ဖိုးများဆီသို့ တိုးသွားပါသည်။ သုည၏တန်ဖိုးသည်...
Quartiles များသည် data set တစ်ခုအား အညီအမျှ လေးပိုင်းခွဲထားသော တန်ဖိုးများဖြစ်သည်။ ပထမ quartile သည် data set တစ်ခု၏ 25th ရာခိုင်နှုန်းကို ကိုယ်စားပြုသည်။ ဒုတိယ quartile သည် data set တစ်ခု၏ 50th ရာခိုင်နှုန်းကို ကိုယ်စားပြုသည်။ ဤတန်ဖိုးသည် ဒေတာအတွဲ၏ ပျမ်းမျှတန်ဖိုး နှင့် ညီမျှသည်။ တတိယ quartile သည် data set တစ်ခု၏ 75th ရာခိုင်နှုန်းကို ကိုယ်စားပြုသည်။ quantile()...
စက်သင်ယူမှုနယ်ပယ်တွင် ဒေတာကိုနားလည်ရန် အသုံးပြုနိုင်သည့် အယ်လဂိုရီသမ်များစွာပါရှိသည်။ ဤ algorithms များကို အောက်ပါ အမျိုးအစား နှစ်ခုထဲမှ တစ်ခုအဖြစ် ခွဲခြားနိုင်ပါသည်။ 1. ကြီးကြပ်ထားသော သင်ယူမှု အယ်လဂိုရီသမ်များ- တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော သွင်းအားစုများအပေါ် အခြေခံ၍ ရလဒ်ကို ခန့်မှန်းရန် သို့မဟုတ် ကြိုတင်ခန့်မှန်းရန် စံနမူနာတစ်ခု တည်ဆောက်ပါ။ 2. ကြီးကြပ်မထားသော သင်ယူမှု အယ်လဂိုရီသမ်များ- သွင်းအားစုများမှ တည်ဆောက်ပုံနှင့် ဆက်ဆံရေးများကို ရှာဖွေခြင်းတို့ ပါဝင်ပါသည်။ “ ကြီးကြပ်မှု” ထွက်ပေါက်မရှိပါ။ ဤသင်ခန်းစာတွင် ဤ...
အောက်ပါ syntax ကိုအသုံးပြုသည့် numpy.random.normal() လုပ်ဆောင်ချက်ကို အသုံးပြု၍ Python တွင် ပုံမှန်ဖြန့်ဝေမှုကို လျင်မြန်စွာ ဖန်တီးနိုင်သည်- numpy. random . normal (loc=0.0, scale=1.0, size=None) ရွှေ- တည်နေရာ- ဖြ န့်ဖြူးမှု၏ပျမ်းမျှ။ မူရင်းတန်ဖိုးသည် 0 ဖြစ်သည်။ အတိုင်းအတာ- ဖြန့ ်ဖြူးမှု၏ စံသွေဖည်မှု။ မူရင်းတန်ဖိုးမှာ 1 ဖြစ်သည်။ အရွယ်အစား- နမူနာအရွယ်အစား။ ဤသင်ခန်းစာတွင် Python တွင် ပုံမှန်ဖြန့်ဝေမှုတစ်ခုကို ဖန်တီးရန် ဤလုပ်ဆောင်ချက်ကို အသုံးပြုခြင်း၏...
စက်သင်ယူခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များကို သီးခြားအမျိုးအစား နှစ်မျိုးခွဲနိုင်သည်- ကြီးကြပ်ပြီး နှင့် ကြီးကြပ်မထားသော သင်ယူမှု အယ်လဂိုရီသမ်များ ။ ကြီးကြပ်သင်ကြားမှုဆိုင်ရာ အယ်လဂိုရီသမ်များကို အမျိုးအစားနှစ်မျိုး ခွဲခြားနိုင်သည်- 1. Regression- တုံ့ပြန်မှုကိန်းရှင်သည် စဉ်ဆက်မပြတ်ဖြစ်သည်။ ဥပမာအားဖြင့်၊ တုံ့ပြန်မှုကိန်း ရှင်သည်- အလေးချိန် အရပ်အမြင့် စျေးနှုန်း အချိန် စုစုပေါင်းယူနစ် အခြေအနေတိုင်းတွင်၊ ဆုတ်ယုတ်မှုပုံစံတစ်ခုသည် စဉ်ဆက်မပြတ်ပမာဏကို ခန့်မှန်းရန်ရှာသည်။ ဆုတ်ယုတ်မှု ဥပမာ- ကျွန်ုပ်တို့တွင် မတူညီသောအိမ် 100 အတွက် ကွဲလွဲချက်သုံးမျိုးပါရှိသော ဒေတာအစုံရှိသည်- စတုရန်းပေ၊ ရေချိုးခန်းအရေအတွက်နှင့် အရောင်းစျေးနှုန်း။...
ဒေတာအတွဲတစ်ခုပေါ်ရှိ မော်ဒယ်တစ်ခု၏ စွမ်းဆောင်ရည်ကို အကဲဖြတ်ရန်၊ ကျွန်ုပ်တို့သည် မော်ဒယ်၏ ခန့်မှန်းချက်များသည် စောင့်ကြည့်လေ့လာထားသော ဒေတာနှင့် မည်မျှကိုက်ညီကြောင်း တိုင်းတာရန် လိုအပ်ပါသည်။ ဆုတ်ယုတ်မှုပုံစံ များအတွက်၊ အသုံးအများဆုံးမက်ထရစ်မှာ အောက်ပါအတိုင်းတွက်ချက်ထားသည့် mean square error (MSE) ဖြစ်သည်။ MSE = (1/n)*Σ(y i – f(x i )) ၂ ရွှေ- n- လေ့လာတွေ့ရှိချက်စုစုပေါင်း y i : IT Observation ၏ တုံ့ပြန်မှုတန်ဖိုး f(x...
Simple linear regression သည် single explanatory variable နှင့် single response variable အကြား ဆက်နွယ်မှုကို နားလည်ရန် ကျွန်ုပ်တို့ အသုံးပြုနိုင်သည့် နည်းပညာတစ်ခုဖြစ်သည်။ အတိုချုပ်အားဖြင့်၊ ဤနည်းပညာသည် ဒေတာကို အကောင်းဆုံး “အံကိုက်” သည့် မျဉ်းတစ်ကြောင်းကို ရှာဖွေပြီး အောက်ပါပုံစံကို ရယူသည်- ŷ = b 0 + b 1 x ရွှေ- ŷ : ခန့်မှန်းတုံ့ပြန်မှုတန်ဖိုး b 0...
Simple linear regression သည် single explanatory variable နှင့် single response variable အကြား ဆက်နွယ်မှုကို နားလည်ရန် ကျွန်ုပ်တို့ အသုံးပြုနိုင်သည့် နည်းပညာတစ်ခုဖြစ်သည်။ ဤနည်းပညာသည် ဒေတာကို အကောင်းဆုံး “ အံဝင်ခွင်ကျ” သော မျဉ်းတစ်ကြောင်းကို ရှာဖွေပြီး အောက်ပါပုံစံကို ရယူသည်- ŷ = b 0 + b 1 x ရွှေ- ŷ : ခန့်မှန်းတုံ့ပြန်မှုတန်ဖိုး b 0...
ကြိုတင်ခန့်မှန်းကိန်းရှင်တစ်ခုနှင့် တုံ့ပြန်မှုကိန်းရှင်တစ်ခုကြားရှိ ဆက်နွယ်မှုကို ကျွန်ုပ်တို့နားလည်လိုသောအခါ၊ ကျွန်ုပ်တို့သည် ရိုးရှင်းသောမျဉ်းကြောင်းဆုတ်ယုတ်မှုကို မကြာခဏအသုံးပြုသည်။ သို့သော်၊ ကြိုတင်ခန့်မှန်းကိန်းရှင် များစွာ နှင့် တုံ့ပြန်မှုကိန်းရှင်ကြားရှိ ဆက်နွယ်မှုကို ကျွန်ုပ်တို့နားလည်လိုပါက၊ မျဉ်းပြောင်းဆုတ်ယုတ်မှုများစွာကို အသုံးပြုနိုင်သည်။ ကျွန်ုပ်တို့တွင် p ကြိုတင်ခန့်မှန်းကိန်းရှင်များရှိပါက၊ များစွာသောမျဉ်းကြောင်းဆုတ်ယုတ်မှုပုံစံသည် ပုံစံဖြစ်လာသည်- Y = β 0 + β 1 X 1 + β 2 X 2 + … + β p ရွှေ-...
တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ကြိုတင်ခန့်မှန်းကိန်းရှင်များနှင့် စဉ်ဆက်မပြတ်တုံ့ပြန်မှုကိန်းရှင်ကြား ဆက်နွယ်မှုကို ကျွန်ုပ်တို့နားလည်လိုသောအခါ၊ ကျွန်ုပ်တို့သည် linear regression ကို မကြာခဏအသုံးပြုသည်။ သို့ရာတွင်၊ တုံ့ပြန်မှုကိန်းရှင်သည် အမျိုးအစားခွဲခြားသောအခါ၊ ကျွန်ုပ်တို့သည် ထောက်လှမ်းဆုတ်ယုတ်မှုကို အသုံးပြုနိုင်သည်။ Logistic regression သည် အမျိုးအစားခွဲခြင်းဆိုင်ရာ အယ်လဂိုရီသမ် အမျိုးအစားတစ်ခုဖြစ်ပြီး ၎င်းသည် ဒေတာအတွဲတစ်ခုတွင် စောင့်ကြည့်မှုများကို “ အမျိုးအစားခွဲရန်” ကြိုးပမ်းသောကြောင့် ဖြစ်သည်။ ဤသည်မှာ logistic regression ကိုအသုံးပြုခြင်း၏ဥပမာအချို့ဖြစ်သည်။ ပေးထားသောဖောက်သည်သည် ချေးငွေတွင် ပုံသေဖြစ်မဖြစ်ကို ခန့်မှန်းရန် ခရက်ဒစ်ရမှတ် နှင့်...