Category: လမ်းညွှန်

ကြိုတင်ခန့်မှန်းကိန်းရှင်အစုတစ်ခုနှင့် တုံ့ပြန်မှုကိန်းရှင် ကြားရှိ ဆက်ဆံရေးသည် တစ်ပြေးညီဖြစ်နေသောအခါ၊ ကျွန်ုပ်တို့သည် ပေးထားသော ခန့်မှန်းကိန်းရှင်ကိန်းရှင်နှင့် တုံ့ပြန်မှုကိန်းရှင်ကြားမှ ဆက်နွယ်မှုပုံစံအဖြစ် ယူဆသည့် linear regression ကို မကြာခဏ အသုံးပြုနိုင်သည်။ Y = β 0 + β 1 X + ε သို့သော် လက်တွေ့တွင်၊ ကိန်းရှင်များကြားက ဆက်နွယ်မှုသည် အမှန်တကယ်တွင် လိုင်းနားမဟုတ်သော ဖြစ်နိုင်ပြီး linear regression ကိုအသုံးပြုရန် ကြိုးစားခြင်းသည် ညံ့ဖျင်းသောပုံစံကို ဖြစ်ပေါ်စေနိုင်သည်။ ကြိုတင်ခန့်မှန်းသူနှင့် တုံ့ပြန်မှု...

Multivariate adaptive regression splines (MARS) ကို ကြိုတင်ခန့်မှန်းကိန်းရှင် အစုံအလင်နှင့် တုံ့ပြန်မှု ကိန်းရှင် တစ်ခုကြား လိုင်းမဟုတ်သော ဆက်ဆံရေးများကို နမူနာယူရန် အသုံးပြုနိုင်သည်။ ဤနည်းလမ်းသည် အောက်ပါအတိုင်း လုပ်ဆောင်သည်။ 1. ဒေတာအတွဲတစ်ခုကို k အပိုင်းများအဖြစ် ပိုင်းပါ။ 2. အစိတ်အပိုင်းတစ်ခုစီအတွက် ဆုတ်ယုတ်မှုပုံစံကို ကွက်တိပါ။ 3. k အတွက် တန်ဖိုးတစ်ခုကို ရွေးချယ်ရန် k-fold အပြန်အလှန် validation ကို သုံးပါ။ ဤသင်ခန်းစာတွင် MARS မော်ဒယ်ကို R...

Matplotlib ကို အသုံးပြု၍ Python တွင် ဇယားများဖန်တီးရန် အောက်ပါနည်းလမ်းနှစ်ခုမှ တစ်ခုခုကို သင်အသုံးပြုနိုင်သည်- နည်းလမ်း 1- pandas DataFrame မှဇယားတစ်ခုဖန်တီးပါ။ #create pandas DataFrame df = pd.DataFrame(np. random . randn (20, 2), columns=[' First ', ' Second ']) #create table table = ax. table (cellText=df. values , colLabels=df....

တစ်လမ်းသွား ANOVA ကို သုံးသော သို့မဟုတ် ထို့ထက်ပိုသော လွတ်လပ်သော အုပ်စုများကြားတွင် စာရင်းအင်းဆိုင်ရာ သိသာထင်ရှားသော ခြားနားမှု ရှိ၊ မရှိ ဆုံးဖြတ်ရန် အသုံးပြုသည်။ ဤသင်ခန်းစာသည် Google Sheets ရှိ one-way ANOVA လုပ်ဆောင်နည်း၏ အဆင့်ဆင့် ဥပမာကို ပေးပါသည်။ အဆင့် 1- XLMiner Analysis ToolPak ကို ထည့်သွင်းပါ။ Google Sheets တွင် တစ်လမ်းသွား ANOVA လုပ်ဆောင်ရန်၊ ကျွန်ုပ်တို့သည် ပထမဆုံး အခမဲ့...

အုပ်စုတစ်ခုစီတွင် တူညီသောဘာသာရပ်များပေါ်လာသည့် အုပ်စုသုံးစု သို့မဟုတ် ထို့ထက်ပိုသောအုပ်စုများကြားတွင် စာရင်းအင်းဆိုင်ရာ သိသာထင်ရှားသောခြားနားချက်ရှိမရှိ ဆုံးဖြတ်ရန် ထပ်ခါတလဲလဲတိုင်းတာမှုများကို ANOVA ကို အသုံးပြုသည်။ ဤသင်ခန်းစာသည် Google Sheets တွင် ထပ်ခါတလဲလဲ တိုင်းတာမှု ANOVA ကို လုပ်ဆောင်နည်း အဆင့်ဆင့် ဥပမာကို ပေးပါသည်။ အဆင့် 1- XLMiner Analysis ToolPak ကို ထည့်သွင်းပါ။ Google Sheets တွင် တစ်လမ်းသွား ANOVA လုပ်ဆောင်ရန်၊ ကျွန်ုပ်တို့သည် ပထမဆုံး အခမဲ့ XLMiner...

ကြိုတင်ခန့်မှန်းကိန်းရှင်အစုတစ်ခုနှင့် တုံ့ပြန်မှုကိန်းရှင် ကြားရှိ ဆက်နွှယ်မှုသည် တစ်ပြေးညီဖြစ်နေသောအခါ၊ များစွာသောမျဉ်းကြောင်းဆုတ်ယုတ်မှု ကဲ့သို့သော နည်းလမ်းများသည် တိကျသောကြိုတင်ခန့်မှန်းမှုပုံစံများကို ထုတ်ပေးနိုင်သည်။ သို့သော်၊ ကြိုတင်ခန့်မှန်းသူအစုအဝေးတစ်ခုနှင့် တုံ့ပြန်မှုအကြား ဆက်နွှယ်မှုသည် လိုင်းမဟုတ်သောနှင့် ရှုပ်ထွေးလွန်းသောအခါ၊ linear မဟုတ်သောနည်းလမ်းများသည် ပိုမိုကောင်းမွန်နိုင်သည်။ လိုင်းမဟုတ်သောနည်းလမ်း၏ ဥပမာတစ်ခုမှာ အမျိုးအစားခွဲခြင်းနှင့် ဆုတ်ယုတ်ခြင်းသစ်ပင်များ ဖြစ်ပြီး မကြာခဏ အတိုကောက်ခေါ်သော လှည်းများ ဖြစ်သည်။ နာမည်အကြံပြုထားသည့်အတိုင်း၊ CART မော်ဒယ်များသည် တုံ့ပြန်မှုကိန်းရှင်၏တန်ဖိုးကို ခန့်မှန်းသည့် ဆုံးဖြတ်ချက်သစ်များ ဖန်တီးရန် ခန့်မှန်းသူကိန်းရှင်များကို အသုံးပြုသည်။ ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့တွင် ကစားသည့်နှစ်များ နှင့်...

ကြိုတင်ခန့်မှန်းကိန်းရှင်အစုတစ်ခုနှင့် တုံ့ပြန်မှုကိန်းရှင် ကြားရှိ ဆက်နွှယ်မှုသည် တစ်ပြေးညီဖြစ်နေသောအခါ၊ များစွာသောမျဉ်းကြောင်းဆုတ်ယုတ်မှု ကဲ့သို့သော နည်းလမ်းများသည် တိကျသောကြိုတင်ခန့်မှန်းမှုပုံစံများကို ထုတ်ပေးနိုင်သည်။ သို့ရာတွင်၊ ကြိုတင်ခန့်မှန်းသူအစုအဝေးနှင့် တုံ့ပြန်မှုကြားဆက်ဆံရေးသည် ပိုမိုရှုပ်ထွေးသောအခါ၊ လိုင်းမဟုတ်သောနည်းလမ်းများသည် မကြာခဏ ပိုမိုတိကျသောမော်ဒယ်များကို ထုတ်လုပ်နိုင်သည်။ ထိုနည်းလမ်းမှာ အမျိုးအစားခွဲခြင်းနှင့် ဆုတ်ယုတ်မှုသစ်ပင်များ (CART) သည် တုံ့ပြန်မှုကိန်းရှင်၏တန်ဖိုးကို ခန့်မှန်းသည့် ဆုံးဖြတ်ချက်သစ်များဖန်တီးရန် ကြိုတင်ခန့်မှန်းကိန်းရှင်များအစုအဝေးကို အသုံးပြုသည်။ တုံ့ပြန်မှုကိန်းရှင်သည် စဉ်ဆက်မပြတ်ဖြစ်နေပါက ကျွန်ုပ်တို့သည် ဆုတ်ယုတ်မှုသစ်ပင်များကို တည်ဆောက်နိုင်ပြီး တုံ့ပြန်မှုကိန်းရှင်သည် အမျိုးအစားခွဲခြားပါက အမျိုးအစားခွဲခြင်းသစ်ပင်များကို တည်ဆောက်နိုင်သည်။ ဤသင်ခန်းစာသည် R တွင် ဆုတ်ယုတ်ခြင်းနှင့်...

ကြိုတင်ခန့်မှန်းကိန်းရှင်အစုတစ်ခုနှင့် တုံ့ပြန်မှုကိန်းရှင် ကြားက ဆက်နွှယ်မှုသည် တစ်ပြေးညီဖြစ်နေသောအခါ၊ ကိန်းရှင်များကြားဆက်နွယ်မှုကို နမူနာပြုလုပ်ရန် မျဉ်းကြောင်းနှိုင်းယှဥ်မှုများစွာ ကဲ့သို့သော နည်းလမ်းများကို အသုံးပြုနိုင်သည်။ သို့သော်၊ ဆက်ဆံရေးပိုမိုရှုပ်ထွေးလာသောအခါ၊ ကျွန်ုပ်တို့သည် လိုင်းမဟုတ်သောနည်းလမ်းများကို မကြာခဏအသုံးပြုရန် လိုအပ်သည်။ ထိုနည်းလမ်းမှာ အမျိုးအစားခွဲခြင်းနှင့် ဆုတ်ယုတ်မှုသစ်ပင်များ (မကြာခဏ အတိုကောက်ခေါ်သော CART) သည် တုံ့ပြန်မှုကိန်းရှင်၏တန်ဖိုးကို ခန့်မှန်းသည့် ဆုံးဖြတ်ချက်သစ်များ ဖန်တီးရန် ကြိုတင်ခန့်မှန်းကိန်းရှင်အစုံကို အသုံးပြုသည်။ ပရော်ဖက်ရှင်နယ် ဘေ့စ်ဘောကစားသမားတစ်ဦး၏ လစာကို ခန့်မှန်းရန် နှစ်ပေါင်းများစွာ အတွေ့အကြုံနှင့် ပျမ်းမျှအိမ်ပြေးခြင်းကို အသုံးပြုသည့် ဆုတ်ယုတ်မှုသစ်ပင်၏ ဥပမာ။ သို့သော်လည်း၊...

ပေးထားသောဒေတာအတွဲအတွက် ဆုံးဖြတ်ချက်သစ် တစ်ခုကို ဖန်တီးသောအခါ၊ ကျွန်ုပ်တို့သည် မော်ဒယ်တည်ဆောက်ရန်အတွက် လေ့ကျင့်ရေးဒေတာအတွဲတစ်ခုတည်းကိုသာ အသုံးပြုပါသည်။ သို့သော်၊ တစ်ခုတည်းသောဆုံးဖြတ်ချက်သစ်ပင်ကိုအသုံးပြုခြင်း၏အားနည်းချက်မှာ၎င်းသည် မြင့်မားသောကွဲလွဲမှုကို ခံစားရတတ်သည်။ ဆိုလိုသည်မှာ၊ ကျွန်ုပ်တို့သည် ဒေတာအတွဲကို နှစ်ပိုင်းခွဲပြီး ဆုံးဖြတ်ချက်သစ်ကို နှစ်ခြမ်းစလုံးတွင် အသုံးချပါက၊ ရလဒ်များသည် အလွန်ကွဲပြားနိုင်သည်။ ဆုံးဖြတ်ချက်သစ်ပင်တစ်ခု၏ ကွဲလွဲမှုကို လျှော့ချရန် ကျွန်ုပ်တို့သုံးနိုင်သော နည်းလမ်းတစ်ခုမှာ bagging ဟု ခေါ်သည်၊ တစ်ခါတစ်ရံတွင် bootstrap aggregation ဟုခေါ်သည်။ အိတ်ကို အောက်ပါအတိုင်း လုပ်ဆောင်သည်။ 1. မူရင်းဒေတာအတွဲမှ b bootstrapped နမူနာများကို...

နမူနာဖြန့်ချီခြင်းသည် လူဦးရေတစ်ခုတည်းမှ ကျပန်းနမူနာများစွာကို အခြေခံ၍ အချို့သော ကိန်းဂဏန်း တစ်ခု၏ ဖြစ်နိုင်ခြေဖြန့်ဝေမှုတစ်ခုဖြစ်သည်။ ဤကျူတိုရီရယ်တွင် R တွင်နမူနာဖြန့်ဝေမှုများဖြင့် အောက်ပါအတိုင်းလုပ်ဆောင်နည်းကို ရှင်းပြထားသည်။ နမူနာဖြန့်ဝေမှုကို ဖန်တီးပါ။ နမူနာဖြန့်ဝေမှုကို မြင်ယောင်ကြည့်ပါ။ နမူနာဖြန့်ဖြူးမှု၏ ပျမ်းမျှနှင့် စံသွေဖည်မှုကို တွက်ချက်ပါ။ နမူနာဖြန့်ဝေမှုနှင့်ပတ်သက်၍ ဖြစ်နိုင်ခြေများကို တွက်ချက်ပါ။ R တွင်နမူနာဖြန့်ဝေမှုတစ်ခုဖန်တီးပါ။ အောက်ပါကုဒ်သည် R တွင်နမူနာဖြန့်ဝေမှုကို မည်သို့ထုတ်လုပ်ရမည်ကို ပြသသည်- #make this example reproducible set.seed(0) #define number of samples n...