4 လက်တွေ့ဘဝတွင် logistic regression ကိုအသုံးပြုခြင်း၏နမူနာများ

Logistic regression သည် response variable binary ဖြစ်သောအခါ regression model တစ်ခုနှင့် ကိုက်ညီရန် ကျွန်ုပ်တို့အသုံးပြုသည့် ကိန်းဂဏန်းဆိုင်ရာ နည်းလမ်းတစ်ခုဖြစ်သည်။

ဤသင်ခန်းစာတွင် လက်တွေ့ဘဝတွင် logistic regression ကိုအသုံးပြုခြင်း၏ မတူညီသောဥပမာလေးခုကို ပြသထားသည်။

Real Logistic Regression ဥပမာ #1

လေ့ကျင့်ခန်းနှင့် ကိုယ်အလေးချိန်သည် နှလုံးရောဂါဖြစ်နိုင်ခြေကို မည်ကဲ့သို့အကျိုးသက်ရောက်ကြောင်း ဆေးသုတေသီများက သိချင်ကြသည်။ ကြိုတင်ခန့်မှန်းနိုင်သောကိန်းရှင်များနှင့် နှလုံးဖောက်နိုင်ခြေများကြား ဆက်နွယ်မှုကို နားလည်ရန် သုတေသီများသည် ထောက်လှမ်းဆုတ်ယုတ်မှုကို လုပ်ဆောင်နိုင်သည်။

မော်ဒယ်ရှိ တုံ့ပြန်မှုပြောင်းလဲမှုသည် နှလုံးတိုက်ခိုက်ခံရမည်ဖြစ်ပြီး ဖြစ်နိုင်ခြေရှိသော ရလဒ်နှစ်ခုရှိသည်-

• နှလုံးဖောက်ခြင်း ဖြစ်ပေါ်သည်။
• နှလုံးရောဂါမဖြစ်ပွားပါ။

မော်ဒယ်၏ ရလဒ်များသည် လေ့ကျင့်ခန်းနှင့် ကိုယ်အလေးချိန် အပြောင်းအလဲများသည် တစ်ဦးချင်းစီ၏ နှလုံးဖောက်ပြန်နိုင်ခြေကို မည်ကဲ့သို့ အကျိုးသက်ရောက်စေသည်ကို သုတေသီများအား အတိအကျ ပြောပြမည်ဖြစ်သည်။ သုတေသီများသည် ၎င်းတို့၏ ကိုယ်အလေးချိန်နှင့် လေ့ကျင့်ခန်းပြုလုပ်သည့်အချိန်ပေါ်မူတည်၍ နှလုံးဖောက်ခြင်းဖြစ်နိုင်ခြေကို ခန့်မှန်းရန် တပ်ဆင်ထားသော ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုပုံစံကို အသုံးပြုနိုင်သည်။

Real Logistic Regression ဥပမာ #2

သုတေသီများသည် GPA၊ ACT ရမှတ်နှင့် AP သင်တန်းများ မည်ကဲ့သို့ အကျိုးသက်ရောက်သည်ကို တက္ကသိုလ်တစ်ခု၏ လက်ခံနိုင်ခြေကို မည်ကဲ့သို့ အကျိုးသက်ရောက်သည်ကို သုတေသီများက သိချင်ကြသည်။ ခန့်မှန်းသူကိန်းရှင်များနှင့် လက်ခံနိုင်ခြေများကြား ဆက်နွယ်မှုကို နားလည်ရန် သုတေသီများသည် ထောက်လှမ်းဆုတ်ယုတ်မှုကို လုပ်ဆောင်နိုင်သည်။

မော်ဒယ်ရှိ တုံ့ပြန်မှုပြောင်းလဲမှုသည် “ လက်ခံမှု” ဖြစ်မည်ဖြစ်ပြီး ၎င်းတွင် ဖြစ်နိုင်ချေရှိသော ရလဒ်နှစ်ခုရှိသည်။

• ကျောင်းသားတစ်ဦးလက်ခံသည်။
• ကျောင်းသားကို လက်မခံပါ။

မော်ဒယ်၏ရလဒ်များသည် GPA၊ ACT ရမှတ်များနှင့် AP သင်တန်းများအရေအတွက် ပြောင်းလဲမှုများသည် ပေးထားသောလူတစ်ဦးကို ကောလိပ်သို့လက်ခံမည့်ဖြစ်နိုင်ခြေအပေါ် မည်ကဲ့သို့အကျိုးသက်ရောက်မှုရှိသည်ကို သုတေသီများအား အတိအကျပြောပြမည်ဖြစ်ပါသည်။ သုတေသီများသည် ၎င်းတို့၏ GPA၊ ACT ရမှတ်နှင့် AP သင်တန်းများတက်ရောက်ခဲ့သော အရေအတွက်အပေါ် အခြေခံ၍ ပေးအပ်သူတစ်ဦးကို လက်ခံမည့်ဖြစ်နိုင်ခြေကို ခန့်မှန်းရန် တပ်ဆင်ထားသော ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုပုံစံကိုလည်း အသုံးပြုနိုင်သည်။

Logistic regression #3 ၏ လက်တွေ့ဘဝဥပမာ

ကုမ္ပဏီတစ်ခုသည် အီးမေးလ်သည် စပမ်းဖြစ်နိုင်ခြေကို စကားလုံးအရေအတွက်နှင့် မူရင်းနိုင်ငံအပေါ် သက်ရောက်မှုရှိမရှိ သိလိုပါသည်။ ဤကြိုတင်ခန့်မှန်းကိန်းရှင်နှစ်ခုကြားရှိ ဆက်စပ်မှုနှင့် အီးမေးလ်သည် စပမ်းဖြစ်နိုင်ခြေကို နားလည်ရန်၊ သုတေသီများသည် ထောက်လှမ်းဆုတ်ယုတ်မှုကို လုပ်ဆောင်နိုင်သည်။

နမူနာပုံစံရှိ တုံ့ပြန်မှုကိန်းရှင်သည် “ စပမ်း” ဖြစ်ကာ ၎င်းတွင် ဖြစ်နိုင်ချေရှိသော ရလဒ်နှစ်ခုရှိသည်။

• အီးမေးလ်သည် spam ဖြစ်သည်။
• အီးမေးလ်သည် spam မဟုတ်ပေ။

မော်ဒယ်၏ရလဒ်များသည် စကားလုံးအရေအတွက်နှင့် မူရင်းနိုင်ငံပြောင်းလဲမှုများတွင် ပေးထားသောအီးမေးလ်သည် spam ဖြစ်နိုင်ခြေကို မည်ကဲ့သို့အကျိုးသက်ရောက်ကြောင်း ကုမ္ပဏီအား အတိအကျပြောပြမည်ဖြစ်ပါသည်။ ကုမ္ပဏီသည် ၎င်း၏ စကားလုံးအရေအတွက်နှင့် မူရင်းနိုင်ငံအပေါ် အခြေခံ၍ ပေးထားသော အီးမေးလ်သည် spam ဖြစ်နိုင်ခြေကို ခန့်မှန်းရန် တပ်ဆင်ထားသော ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုပုံစံကိုလည်း အသုံးပြုနိုင်သည်။

Real Logistic Regression ဥပမာ #4

အကြွေးဝယ်ကတ်ကုမ္ပဏီတစ်ခုသည် ငွေပေးငွေယူပမာဏနှင့် ခရက်ဒစ်ရမှတ်အပေါ် သက်ရောက်မှုရှိမရှိ သိလိုသည်မှာ ငွေပေးငွေယူတစ်ခုသည် လိမ်လည်မှုဖြစ်နိုင်ချေကို သိလိုပါသည်။ ဤကြိုတင်ခန့်မှန်းကိန်းရှင်နှစ်ခုကြားရှိ ဆက်စပ်မှုနှင့် အရောင်းအဝယ်တစ်ခုသည် လိမ်လည်မှုဖြစ်နိုင်ခြေကို နားလည်ရန်၊ ကုမ္ပဏီသည် ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှုကို လုပ်ဆောင်နိုင်သည်။

မော်ဒယ်ရှိ တုံ့ပြန်မှုကိန်းရှင်သည် “ မသမာမှု” ဖြစ်ကာ ဖြစ်နိုင်ချေ ရလဒ်နှစ်ခု ရှိလိမ့်မည်-

• အရောင်းအဝယ်သည် လိမ်လည်မှုဖြစ်သည်။
• ငွေပေးငွေယူသည် လိမ်လည်မှုမဟုတ်ပါ။

မော်ဒယ်၏ ရလဒ်များသည် ငွေပေးငွေယူပမာဏနှင့် ခရက်ဒစ်ရမှတ်တွင် အပြောင်းအလဲများ မည်ကဲ့သို့ အကျိုးသက်ရောက်မှုရှိသည်ကို စီးပွားရေးလုပ်ငန်းအား အတိအကျပြောပြပေးမည်ဖြစ်ပါသည်။ ကုမ္ပဏီသည် ငွေပေးငွေယူပမာဏနှင့် ငွေပေးငွေယူပြုလုပ်သူ၏ ခရက်ဒစ်ရမှတ်တို့အပေါ် အခြေခံ၍ ပေးထားသောငွေပေးငွေယူသည် လိမ်လည်မှုဖြစ်နိုင်ခြေကို ခန့်မှန်းရန် တပ်ဆင်ထားသော ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုပုံစံကိုလည်း အသုံးပြုနိုင်သည်။