পুনর্বিবেচনা ভেরিয়েবলের মধ্যে সম্পর্ককে বিশ্লেষণ করে
রিগ্রেশন একটি ডেটা মাইনিং কৌশল যা একটি নির্দিষ্ট ডেটাসেট প্রদত্ত সংখ্যাসূচক মূল্যের পরিসর (এছাড়াও একটানা মান বলা হয় ) সম্পর্কে ভবিষ্যদ্বাণী করে। উদাহরণস্বরূপ, রিগ্রেশন একটি পণ্য বা সেবা খরচ পূর্বাভাস ব্যবহৃত হতে পারে, অন্য ভেরিয়েবল দেওয়া।
রিগ্রেশন ব্যবসায় এবং বিপণন পরিকল্পনা, আর্থিক পূর্বাভাস, পরিবেশগত মডেলিং এবং প্রবণতা বিশ্লেষণ জন্য একাধিক শিল্প জুড়ে ব্যবহৃত হয়।
রিগ্রেশন বনাম। শ্রেণীবিন্যাস
রিগ্রেশন এবং ক্লাসিফিকেশন একই ধরনের সমস্যা সমাধানের জন্য ব্যবহৃত ডেটা মাইনিং কৌশল, কিন্তু তারা প্রায়শই বিভ্রান্ত হয়। উভয়ই পূর্বাভাস বিশ্লেষণে ব্যবহার করা হয়, কিন্তু শ্রেণীবিভাজন একটি সংখ্যাসূচক বা ক্রমাগত মূল্য পূর্বাভাসের জন্য ব্যবহার করা হয় যখন শ্রেণীবিভাজন পৃথক বিভাগে ডেটা নির্ধারণ করে।
উদাহরণস্বরূপ, রিগ্রেশনটি তার অবস্থান, বর্গ ফুট, শেষ বিক্রির মূল্য, অনুরূপ ঘরের মূল্য এবং অন্যান্য বিষয়গুলির উপর ভিত্তি করে একটি ঘরের মূল্য নির্ধারণের জন্য ব্যবহার করা হবে। আপনি পরিবর্তে walkability, অনেক আকার বা অপরাধের হার হিসাবে বিভাগে ঘর সংগঠিত চেয়েছিলেন শ্রেণীকরণ ক্লাসিক হতে হবে।
রিগ্রেশন কৌশল ধরনের
রিগ্রেশনের সহজতম ও প্রাচীনতম ফর্মটি দুইটি ভেরিয়েবলের মধ্যে একটি সম্পর্কের অনুমান করার জন্য রৈখিক রিগ্রেশন। এই কৌশলটি একটি সরল রেখা (y = mx + b) এর গাণিতিক সূত্র ব্যবহার করে। সরল পদে, এই কেবল মানে যে, একটি Y এবং একটি X- অক্ষ সঙ্গে একটি গ্রাফ দেওয়া, X এবং Y মধ্যে সম্পর্ক কয়েক outliers সঙ্গে একটি সরল রেখা। উদাহরণস্বরূপ, আমরা অনুমান করতে পারি যে, জনসংখ্যার বৃদ্ধির কারণে খাদ্য উৎপাদন একই হারে বৃদ্ধি পাবে - এর জন্য দুটি পরিসংখ্যানের মধ্যে একটি শক্তিশালী, রৈখিক সম্পর্ক থাকা প্রয়োজন। এটিকে কল্পনা করতে, একটি গ্রাফ বিবেচনা করুন যা Y- অক্ষ ট্র্যাক জনসংখ্যা বৃদ্ধি করে এবং X- অক্ষ খাদ্য উৎপাদনকে অনুসরণ করে। হিসাবে Y মান বৃদ্ধি, X মান একই হার বৃদ্ধি হবে, তাদের মধ্যে একটি সরাসরি লাইন সম্পর্ক তৈরি।
উন্নত কৌশলগুলি, যেমন একাধিক রিগ্রেশন, একাধিক ভেরিয়েবলের মধ্যে একটি সম্পর্কের পূর্বাভাস - উদাহরণস্বরূপ, আয়, শিক্ষা এবং যেখানে কেউ বেঁচে থাকে তার মধ্যে একটি সম্পর্ক রয়েছে? আরও ভেরিয়েবল যোগ করার ফলে ভবিষ্যদ্বাণী জটিলতা জটিলভাবে বৃদ্ধি পায়। স্ট্যান্ডার্ড, হায়ারারকিকাল, সেটাইভ এবং স্টেপাইভ সহ একাধিক রিগ্রেশন কৌশলগুলি রয়েছে, প্রতিটি নিজস্ব অ্যাপ্লিকেশনের সাথে।
এই মুহুর্তে, আমরা ভবিষ্যদ্বাণী করার চেষ্টা করছি (নির্ভরশীল বা পূর্বাভাসের পরিবর্তনশীল) এবং পূর্বাভাস (স্বাধীন বা পূর্বাভাসের ভেরিয়েবল) তৈরি করার জন্য আমরা ব্যবহার করা ডেটা বোঝার জন্য এটি গুরুত্বপূর্ণ। আমাদের উদাহরণে, আমরা এমন অবস্থানের ভবিষ্যদ্বাণী করতে চাই যেখানে একজনকে বেঁচে থাকা ( পূর্বাভাসযুক্ত ভেরিয়েবল) দেওয়া হয় আয় এবং শিক্ষা (উভয় পূর্বাপর ভেরিয়েবল)।
- স্ট্যান্ডার্ড একাধিক রিগ্রেশন একই সময়ে সমস্ত পূর্বাভাস ভেরিয়েবল বিবেচনা করে। উদাহরণস্বরূপ 1) আয় এবং শিক্ষা (পূর্বাভাস) এবং আশেপাশের পছন্দের (পূর্বাভাস) মধ্যে সম্পর্ক কী? এবং 2) কি ডিগ্রী প্রতিটি প্র predictors কি যে সম্পর্ক অবদান না?
- ধাপে ধাপে একাধিক রিগ্রেশন একটি সম্পূর্ণ ভিন্ন প্রশ্নের উত্তর। একটি stepwise রিগ্রেশন অ্যালগরিদমটি বিশ্লেষণ করবে যা পূর্বাভাসের জন্য আংশিক পছন্দের ভবিষ্যদ্বাণী করা হয় - এর মানে হল যে ধাপে ধাপে মডেল পূর্বসূরি ভেরিয়েবলগুলির গুরুত্বের মূল্য মূল্যায়ন করে এবং তারপর একটি প্রাসঙ্গিক উপসেট নির্বাচন করে। রিগ্রেশন সমস্যা এই ধরনের "পদক্ষেপ" রিগ্রেশন সমীকরণ বিকাশ ব্যবহার করে। রিগ্রেশন এই ধরনের দেওয়া, সমস্ত পূর্বাভাস এমনকি চূড়ান্ত রিগ্রেশন সমীকরণ প্রদর্শিত হতে পারে না।
- ধাপে ধাপে ক্রমানুসারে ক্রমাগত রিগ্রেশন , একটি অনুক্রমিক প্রক্রিয়া, কিন্তু পূর্বাভাসের ভেরিয়েবলগুলি অগ্রিম সংজ্ঞায়িত একটি প্রাক-নির্দিষ্ট ক্রমে মডেলের মধ্যে প্রবেশ করা হয়, অর্থাৎ অ্যালগরিদমটি কোনও নির্দেশনা নির্ধারণের জন্য কোনও অন্তর্নির্মিত সেট সমেত নেই। পূর্বসূরী লিখুন। রিগ্রেশন সমীকরণটি তৈরি করার সময় ব্যক্তিটি ক্ষেত্রে ক্ষেত্রের বিশেষজ্ঞ জ্ঞান ব্যবহার করে এটি প্রায়শই ব্যবহার করা হয়।
- Setwise রিগ্রেশন ধাপে ধাপে অনুরূপ কিন্তু পৃথক ভেরিয়েবলের পরিবর্তে ভেরিয়েবলের সেট বিশ্লেষণ করে।