R တွင် လေးပုံတပုံ ဆုတ်ယုတ်မှုကို မည်သို့လုပ်ဆောင်ရမည်နည်း


ကိန်းရှင်နှစ်ခုသည် linear ဆက်ဆံရေးတစ်ခုရှိသောအခါ၊ ၎င်းတို့၏ဆက်နွယ်မှုကို တွက်ချက်ရန် ရိုးရှင်းသော linear regression ကို အသုံးပြုနိုင်သည်။

linear ဆက်ဆံရေး ဥပမာ

သို့သော်၊ ကိန်းရှင်နှစ်ခုသည် လေးထောင့်ပုံစံ ဆက်နွယ်မှုရှိပါက၊ ၎င်းတို့၏ ဆက်နွယ်မှုကို တွက်ချက်ရန် လေးထောင့်ဆုတ်ယုတ်မှုကို ကျွန်ုပ်တို့ အသုံးပြုနိုင်ပါသည်။

လေးထောင့်ပုံ ဆက်ဆံရေး ဥပမာ

ဤကျူတိုရီရယ်တွင် R တွင် လေးပုံတပုံ ဆုတ်ယုတ်မှုကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြထားသည်။

ဥပမာ- R တွင် လေးပုံတစ်ပုံ ဆုတ်ယုတ်မှု

အလုပ်လုပ်တဲ့ နာရီအရေအတွက်နဲ့ ပျော်ရွှင်မှုကို အစီရင်ခံတဲ့ကြားက ဆက်နွယ်မှုကို နားလည်ချင်တယ်ဆိုပါစို့။ ကျွန်ုပ်တို့တွင် တစ်ပတ်လျှင် အလုပ်လုပ်သည့် နာရီအရေအတွက်နှင့် ပတ်သက်သည့် အောက်ပါဒေတာနှင့် မတူညီသောလူ 11 ဦးအတွက် ပျော်ရွှင်မှုအဆင့် (0 မှ 100 အထိ) အစီရင်ခံတင်ပြသည်-

R တွင် လေးပုံတစ်ပုံ ဆုတ်ယုတ်မှုပုံစံကို အံဝင်ခွင်ကျဖြစ်စေရန် အောက်ပါအဆင့်များကို အသုံးပြုပါ။

အဆင့် 1: ဒေတာကိုထည့်ပါ။

ပထမဦးစွာ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ဒေတာများပါဝင်သော ဒေတာဘောင်တစ်ခုကို ဖန်တီးပါမည်။

 #createdata
data <- data.frame(hours=c(6, 9, 12, 14, 30, 35, 40, 47, 51, 55, 60),
                   happiness=c(14, 28, 50, 70, 89, 94, 90, 75, 59, 44, 27))

#viewdata 
data

   hours happiness
1 6 14
2 9 28
3 12 50
4 14 70
5 30 89
6 35 94
7 40 90
8 47 75
9 51 59
10 55 44
11 60 27

အဆင့် 2- ဒေတာကို မြင်ယောင်ကြည့်ပါ။

ထို့နောက်၊ ကျွန်ုပ်တို့သည် ဒေတာကို မြင်ယောင်နိုင်ရန် ရိုးရှင်းသော အပိုင်းအစတစ်ခုကို ဖန်တီးပါမည်။

 #create scatterplot
plot(data$hours, data$happiness, pch=16) 

R တွင် အပိုင်းအစများ

ဒေတာသည် linear ပုံစံအတိုင်း မလိုက်နာကြောင်း ရှင်းရှင်းလင်းလင်း သိမြင်နိုင်ပါသည်။

အဆင့် 3- ရိုးရှင်းသော linear regression model ကို ကိုက်ညီပါ။

ထို့နောက်၊ ကျွန်ုပ်တို့သည် ဒေတာနှင့် မည်မျှ လိုက်ဖက်သည်ကို ကြည့်ရန် ရိုးရှင်းသော မျဉ်းကြောင်းအတိုင်း ဆုတ်ယုတ်မှု မော်ဒယ်ကို တပ်ဆင်ပါမည်။

 #fit linear model
linearModel <- lm(happiness ~ hours, data=data)

#view model summary
summary(linearModel)

Call:
lm(formula = happiness ~ hours)

Residuals:
   Min 1Q Median 3Q Max 
-39.34 -21.99 -2.03 23.50 35.11 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept) 48.4531 17.3288 2.796 0.0208 *
hours 0.2981 0.4599 0.648 0.5331  
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 28.72 on 9 degrees of freedom
Multiple R-squared: 0.0446, Adjusted R-squared: -0.06156 
F-statistic: 0.4201 on 1 and 9 DF, p-value: 0.5331

မော်ဒယ်မှရှင်းပြထားသော ပျော်ရွှင်မှုစုစုပေါင်းကွဲလွဲမှုသည် 4.46% သာရှိပြီး၊ မျိုးစုံ R-squared တန်ဖိုးဖြင့်ပြသထားသည်။

အဆင့် 4- လေးပုံတစ်ပုံ ဆုတ်ယုတ်မှုပုံစံကို ကွက်တိပါ။

ထို့နောက်၊ ကျွန်ုပ်တို့သည် လေးထောင့်ပုံသဏ္ဍာန် ဆုတ်ယုတ်မှုပုံစံနှင့် ကိုက်ညီပါမည်။

 #create a new variable for hours 2
data$hours2 <- data$hours^2

#fit quadratic regression model
quadraticModel <- lm(happiness ~ hours + hours2, data=data)

#view model summary
summary(quadraticModel)

Call:
lm(formula = happiness ~ hours + hours2, data = data)

Residuals:
    Min 1Q Median 3Q Max 
-6.2484 -3.7429 -0.1812 1.1464 13.6678 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) -18.25364 6.18507 -2.951 0.0184 *  
hours 6.74436 0.48551 13.891 6.98e-07 ***
hours2 -0.10120 0.00746 -13.565 8.38e-07 ***
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 6.218 on 8 degrees of freedom
Multiple R-squared: 0.9602, Adjusted R-squared: 0.9502 
F-statistic: 96.49 on 2 and 8 DF, p-value: 2.51e-06

နမူနာပုံစံဖြင့် ရှင်းပြထားသော ပျော်ရွှင်မှု စုစုပေါင်းကွဲလွဲမှုသည် 96.02% အထိ တိုးလာသည်။

မော်ဒယ်သည် ဒေတာနှင့် မည်မျှကိုက်ညီကြောင်း မြင်သာစေရန် အောက်ပါကုဒ်ကို အသုံးပြုနိုင်ပါသည်။

 #create sequence of hour values
hourValues <- seq(0, 60, 0.1)

#create list of predicted happiness levels using quadratic model
happinessPredict <- predict(quadraticModel, list(hours=hourValues, hours2=hourValues^2))

#create scatterplot of original data values
plot(data$hours, data$happiness, pch=16)
#add predicted lines based on quadratic regression model
lines(hourValues, happinessPredict, col='blue')

R တွင် Quadratic Regression Scatterplot

quadratic regression line သည် data values များနှင့် အတော်လေး ကိုက်ညီကြောင်း တွေ့နိုင်ပါသည်။

အဆင့် 5- လေးထောင့်ပုံစံ ဆုတ်ယုတ်မှုပုံစံကို အဓိပါယ်ဖွင့်ဆိုပါ။

ယခင်အဆင့်တွင်၊ Quadratic regression model ၏ရလဒ်မှာ-

 Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) -18.25364 6.18507 -2.951 0.0184 *  
hours 6.74436 0.48551 13.891 6.98e-07 ***
hours2 -0.10120 0.00746 -13.565 8.38e-07 ***

ဤနေရာတွင် တင်ပြထားသော ကိန်းဂဏန်းများအပေါ် အခြေခံ၍ ချိန်ညှိထားသော လေးထောင့်ပုံသဏ္ဍန်ဆုတ်ယုတ်မှုသည်-

ပျော်ရွှင်မှု = -0.1012 (နာရီ) 2 + 6.7444 (နာရီ) – 18.2536

တစ်ပတ်လျှင် အလုပ်လုပ်သည့် နာရီအရေအတွက်ဖြင့် လူတစ်ဦးချင်းစီ၏ ခန့်မှန်းထားသော ပျော်ရွှင်မှုကို ရှာဖွေရန် ဤညီမျှခြင်းအား ကျွန်ုပ်တို့ အသုံးပြုနိုင်သည်။

ဥပမာအားဖြင့်၊ တစ်ပတ်လျှင် နာရီ 60 အလုပ်လုပ်သူသည် ပျော်ရွှင်မှုအဆင့် 22.09 ရှိလိမ့်မည် ။

ပျော်ရွှင်မှု = -0.1012(60) 2 + 6.7444(60) – 18.2536 = 22.09

အပြန်အလှန်အားဖြင့် တစ်ပတ်လျှင် နာရီ 30 အလုပ်လုပ်သူသည် ပျော်ရွှင်မှုအဆင့် 92.99 ရှိသင့်သည် ။

ပျော်ရွှင်မှု = -0.1012(30) 2 + 6.7444(30) – 18.2536 = 92.99

မှတ်ချက်တစ်ခုထည့်ပါ။

သင့် email လိပ်စာကို ဖော်ပြမည် မဟုတ်ပါ။ လိုအပ်သော ကွက်လပ်များကို * ဖြင့်မှတ်သားထားသည်