ဘယ်အချိန်မှာ polynomial regression ကိုသုံးသင့်သလဲ။

Polynomial regression သည် ကြိုတင်ခန့်မှန်းကိန်းရှင်(များ) နှင့် တုံ့ပြန်မှုကိန်းရှင်သည် linear မဟုတ်သည့်အခါ ဆုတ်ယုတ်မှုပုံစံတစ်ခုကို အံဝင်ခွင်ကျဖြစ်စေရန်အတွက် ကျွန်ုပ်တို့အသုံးပြုနိုင်သည့် နည်းလမ်းတစ်ခုဖြစ်သည်။

polynomial regression model သည် အောက်ပါပုံစံကို ယူပါသည်။

Y = β ₀ ⁺ β ₁ X + β ₂ X ² + … + β _h

လက်တွေ့တွင်၊ linear regression ကဲ့သို့သော ရိုးရှင်းသောပုံစံနှင့် polynomial regression နှင့် polynomial regression ကိုသုံးသင့်သလား ဆုံးဖြတ်ရန် ရိုးရှင်းသောနည်းလမ်းသုံးမျိုးရှိပါသည်။

1. ခန့်မှန်းသူ variable နှင့် တုံ့ပြန်မှု variable ၏ အပိုင်းခွဲတစ်ခုကို ဖန်တီးပါ။

polynomial regression ကို သုံးသင့်သလား ဆုံးဖြတ်ရန် အလွယ်ဆုံးနည်းလမ်းမှာ ခန့်မှန်းသူ variable ၏ ရိုးရှင်းသော scatterplot နှင့် response variable ကို ဖန်တီးရန်ဖြစ်သည်။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် နောက်ဆုံးစာမေးပွဲတွင် ကျောင်းသားတစ်ဦးရရှိမည့် အတန်းကို ခန့်မှန်းရန် ကိန်းရှင်ကိန်းရှင် “ စာသင်ချိန်” ကို အသုံးပြုလိုသည်ဆိုပါစို့။

ဆုတ်ယုတ်မှုပုံစံကို အံမကိုက်မီ၊ ကျွန်ုပ်တို့သည် စာမေးပွဲရလဒ်များနှင့် ဆန့်ကျင်သော လေ့လာထားသော နာရီများ၏ အပိုင်းအစတစ်ခုကို ဦးစွာ ဖန်တီးနိုင်သည်။ ကျွန်ုပ်တို့၏ခွဲခြမ်းစိတ်ဖြာပုံသည် ဤကဲ့သို့ဖြစ်သည်ဆိုပါစို့။

နာရီနှင့် စာမေးပွဲရလဒ်များကြား ဆက်စပ်မှုမှာ မျဉ်းဖြောင့် ပုံပေါ်သည်၊ ထို့ကြောင့် ရိုးရှင်းသောမျဉ်းကြောင်းဆုတ်ယုတ်မှုပုံစံကို ဤဒေတာအစုံနှင့် အံကိုက်ဖြစ်သွားစေသည်။

သို့သော်၊ scatterplot သည်အောက်ပါပုံသဏ္ဌာန်နှင့်တူသည်ဟုယူဆကြပါစို့။

ဤဆက်ဆံရေးသည် အနည်းငယ်ပို၍ လိုင်းမဆန် ပုံရသည်၊ ယင်းအစား polynomial regression model ကို အံကိုက်လုပ်ခြင်းသည် ပညာရှိဖြစ်နိုင်သည်ဟု ကျွန်ုပ်တို့ကိုပြောပြသည်။

2. တပ်ဆင်ပြီး ကျန်တန်ဖိုးများ၏ ဂရပ်ကို ဖန်တီးပါ။

polynomial regression ကိုသုံးသင့်သလား ဆုံးဖြတ်ရန် နောက်တစ်နည်းမှာ data set နှင့် linear regression model ကို အံဝင်ခွင်ကျဖြစ်အောင်၊ ထို့နောက် model အတွက် ကျန်ရှိသော တန်ဖိုးများနှင့် အံဝင်ခွင်ကျရှိသော ကွက်ကွက် တစ်ခုကို ဖန်တီးပါ။

အကြွင်းအကျန်များတွင် ရှင်းရှင်းလင်းလင်းမဟုတ်သော လမ်းကြောင်းတစ်ခုရှိနေပါက၊ ကိန်းဂဏန်းများ ဆုတ်ယုတ်မှုသည် ဒေတာနှင့် ပိုမိုကိုက်ညီမှုရှိနိုင်သည်ကို ညွှန်ပြပါသည်။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် တုံ့ပြန်မှုကိန်းရှင်အဖြစ် ခန့်မှန်းတွက်ချက်သည့်ကိန်းရှင်နှင့် စာမေးပွဲရမှတ်အဖြစ် လေ့လာထားသော နာရီများကို အသုံးပြု၍ မျဉ်းကြောင်းဆုတ်ယုတ်မှုပုံစံကို အံဝင်ခွင်ကျဖြစ်စေသည်ဆိုပါစို့၊ ထို့နောက် အကြွင်းများနှင့် ဆန့်ကျင်ဘက်ဖြစ်သော အောက်ပါတန်ဖိုးများကို ဖန်တီးပါ။

အကြွင်းအကျန်များကို ရှင်းရှင်းလင်းလင်းမရှိသော ပုံစံမရှိဘဲ သုညတွင် ကျပန်းကျပန်း ဖြန့်ကျဲကာ၊ လိုင်းနားမော်ဒယ်သည် ဒေတာနှင့် သင့်လျော်ကိုက်ညီမှုရှိကြောင်း ညွှန်ပြသည်။

သို့သော်၊ ကျန်ရှိသောတန်ဖိုးများနှင့် ကျွန်ုပ်တို့၏ တပ်ဆင်ထားသော တန်ဖိုးများကွက်ကွက်များသည် အောက်ပါအတိုင်း အမှန်တကယ်ဖြစ်နေသည်ဟု ယူဆကြပါစို့။

ဂရပ်ဖ်မှ၊ အကြွင်းအကျန်များတွင် ရှင်းရှင်းလင်းလင်းမဟုတ်သော linear ပုံစံရှိကြောင်း ကျွန်ုပ်တို့တွေ့မြင်နိုင်သည် – အကြွင်းအကျန်များသည် “U” ပုံသဏ္ဍာန်ကိုပြသသည်။

၎င်းသည် မျဉ်းနားမော်ဒယ်သည် ဤအထူးဒေတာအတွက် မသင့်လျော်ကြောင်းနှင့် ပေါလီအမည်ဆုတ်ယုတ်မှုပုံစံကို အံဝင်ခွင်ကျဖြစ်စေရန် ပညာရှိဖြစ်နိုင်သည်ဟု ၎င်းကဆိုသည်။

3. မော်ဒယ်၏ ချိန်ညှိထားသော R-squared တန်ဖိုးကို တွက်ချက်ပါ။

polynomial regression ကိုသုံးသင့်သလား ဆုံးဖြတ်ရန် နောက်တစ်နည်းမှာ linear regression model နှင့် polynomial regression model နှစ်ခုလုံးနှင့် ကိုက်ညီပြီး မော်ဒယ်နှစ်ခုလုံးအတွက် တပ်ဆင်ထားသော R-squared တန်ဖိုးများကို တွက်ချက်ရန်ဖြစ်သည်။

ချိန်ညှိထားသော R-squared သည် မော်ဒယ်ရှိ ကြိုတင်ခန့်မှန်းကိန်းရှင်အရေအတွက်အတွက် ချိန်ညှိထားသော မော်ဒယ်ရှိ ကြိုတင်ကိန်းရှင်ကိန်းရှင်များဖြင့် ရှင်းပြနိုင်သည့် တုံ့ပြန်မှုကိန်းရှင်၏ ကွဲလွဲမှုအချိုးအစားကို ကိုယ်စားပြုသည်။

အမြင့်ဆုံးချိန်ညှိထားသော R စတုရန်းပါသော မော်ဒယ်သည် တုံ့ပြန်မှုကိန်းရှင်၏ ကွဲလွဲမှုကို ရှင်းပြရန် ကြိုတင်ခန့်မှန်းကိန်းရှင်(များ)ကို အကောင်းဆုံးအသုံးပြုနိုင်သည့် မော်ဒယ်ကို ကိုယ်စားပြုသည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် ကွဲပြားသော စာရင်းအင်းဆော့ဖ်ဝဲလ်ကို အသုံးပြု၍ ကိန်းဂဏန်းများ ဆုတ်ယုတ်မှုကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြသည်-

Polynomial Regression နိဒါန်း
R တွင် polynomial regression ကို မည်သို့လုပ်ဆောင်ရမည်နည်း
Python တွင် polynomial regression လုပ်နည်း
Excel တွင် Polynomial Regression ကို မည်သို့လုပ်ဆောင်မည်နည်း။