एआई मॉडल और प्लेटफ़ॉर्म
डेटा साइंस के क्षेत्र में साधारण रेखीय प्रतिगमन
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
डेटा साइंस एक विशाल क्षेत्र है जो प्रतिदिन बढ़ रहा है। आज, शीर्ष कंपनियां पेशेवर डेटा वैज्ञानिकों की तलाश कर रही हैं जो क्षेत्र और इसके संबंधित अवधारणाओं के बारे में मजबूत ज्ञान रखते हैं। इस क्षेत्र में अच्छा प्रदर्शन करने के लिए, यह महत्वपूर्ण है कि सभी डेटा साइंस एल्गोरिदम के बारे में ध्वनि ज्ञान हो। डेटा साइंस एल्गोरिदम में से एक सबसे मूलभूत है साधारण रेखीय प्रतिगमन। प्रत्येक डेटा वैज्ञानिक को यह एल्गोरिदम का उपयोग करके समस्याओं का समाधान करना और अर्थपूर्ण परिणाम प्राप्त करना आना चाहिए।
साधारण रेखीय प्रतिगमन एक पद्धति है जो इनपुट और आउटपुट переменियों के बीच संबंध का निर्धारण करने के लिए उपयोग की जाती है। इनपुट переменियों को स्वतंत्र переменियों या पूर्वानुमानकर्ता माना जाता है, और आउटपुट переменियों को निर्भर переменियों या प्रतिक्रिया माना जाता है। साधारण रेखीय प्रतिगमन में, केवल एक इनपुट переменि को माना जाता है।
साधारण रेखीय प्रतिगमन का एक वास्तविक समय उदाहरण
आइए एक डेटा सेट पर विचार करें जिसमें दो पैरामीटर हैं: काम किए गए घंटों की संख्या और किए गए काम की मात्रा। साधारण रेखीय प्रतिगमन का उद्देश्य काम किए गए घंटों को दिए जाने पर किए गए काम की मात्रा का अनुमान लगाना है। एक प्रतिगमन रेखा खींची जाती है, जो न्यूनतम त्रुटि उत्पन्न करती है। एक रेखीय समीकरण भी बनाया जाता है, जिसे बाद में लगभग किसी भी डेटा सेट के लिए उपयोग किया जा सकता है।
सिद्धांत जो साधारण रेखीय प्रतिगमन के उद्देश्य को दर्शाते हैं:
साधारण रेखीय प्रतिगमन का उपयोग डेटा सेट में चरों के बीच संबंध का अनुमान लगाने और अर्थपूर्ण निष्कर्ष निकालने के लिए किया जाता है। साधारण रेखीय प्रतिगमन मुख्य रूप से डेटा सेट में चरों के बीच सांख्यिकीय संबंध का अनुमान लगाने के लिए उपयोग किया जाता है, जो पर्याप्त सटीक नहीं है। साधारण रेखीय प्रतिगमन के उपयोग को दर्शाने वाले चार मूल सिद्धांत हैं। ये सिद्धांत नीचे सूचीबद्ध हैं:
- दो चरों के बीच संबंध रेखीय और अधिशोषक माना जाता है: प्रत्येक निर्भर और स्वतंत्र चर के लिए एक सीधी रेखा का कार्य स्थापित किया जाता है। इस रेखा की ढलान डेटा सेट में मौजूद चरों के मानों से अलग होती है। निर्भर चर स्वतंत्र चरों के मानों पर अधिशोषक प्रभाव डालते हैं।
- त्रुटियां सांख्यिकीय रूप से स्वतंत्र हैं: यह सिद्धांत समय श्रृंखला वाले डेटा सेट के लिए माना जा सकता है। ऐसे डेटा सेट में अनुक्रमिक त्रुटियां सहसंबद्ध नहीं होती हैं और सांख्यिकीय रूप से स्वतंत्र होती हैं।
- त्रुटियों का परिवर्तनशीलता स्थिर है (होमोस्केडास्टिसिटी): त्रुटियों की होमोस्केडास्टिसिटी विभिन्न पैरामीटरों के आधार पर मानी जा सकती है, जिनमें समय, अन्य पूर्वानुमान और अन्य चर शामिल हैं।
- त्रुटि वितरण सामान्य है: यह सिद्धांत बहुत महत्वपूर्ण है क्योंकि यह उपरोक्त तीनों सिद्धांतों का समर्थन करता है। यदि डेटा सेट में चरों के बीच कोई संबंध स्थापित नहीं किया जा सकता है, या यदि उपरोक्त में से कोई भी सिद्धांत स्थापित नहीं किया जा सकता है, तो मॉडल द्वारा उत्पन्न सभी पूर्वानुमान और निष्कर्ष गलत हैं। इन निष्कर्षों का उपयोग परियोजना में आगे नहीं किया जा सकता है क्योंकि गलत और भ्रामक डेटा का उपयोग करने से वास्तविक परिणाम प्राप्त नहीं होंगे।
साधारण रेखीय प्रतिगमन के लाभ
- यह पद्धति बहुत आसानी से उपयोग की जा सकती है, और परिणाम प्राप्त किए जा सकते हैं।
- इस विधि में अन्य डेटा साइंस एल्गोरिदम की तुलना में बहुत कम जटिलता है, विशेष रूप से जब निर्भर और स्वतंत्र चरों के बीच संबंध ज्ञात हो।
- ओवरफिटिंग एक सामान्य समस्या है जो तब होती है जब यह पद्धति अर्थहीन जानकारी लेती है। इस समस्या से निपटने के लिए, नियमितीकरण तकनीक उपलब्ध है, जो जटिलता को कम करके ओवरफिटिंग की समस्या को कम करती है।
साधारण रेखीय प्रतिगमन के नुकसान
- हालांकि ओवरफिटिंग की समस्या को समाप्त किया जा सकता है, इसे नजरअंदाज नहीं किया जा सकता है। यह पद्धति अर्थहीन डेटा को ध्यान में ले सकती है और साथ ही अर्थपूर्ण जानकारी को समाप्त कर सकती है। ऐसे मामले में, डेटा सेट के बारे में सभी पूर्वानुमान और निष्कर्ष गलत और प्रभावी परिणाम उत्पन्न नहीं करेंगे।
- आउटलियर्स की समस्या भी बहुत आम है। आउटलियर्स उन मानों को माना जाता है जो वास्तविक डेटा से मेल नहीं खाते हैं। जब ऐसे मानों को ध्यान में लिया जाता है, तो पूरा मॉडल भ्रामक परिणाम उत्पन्न करेगा जो किसी काम के नहीं होंगे।
- साधारण रेखीय प्रतिगमन में, हाथ में डेटा सेट को स्वतंत्र डेटा माना जाता है। यह धारणा गलत है क्योंकि चरों के बीच कुछ निर्भरता हो सकती है।
साधारण रेखीय प्रतिगमन एक उपयोगी तकनीक है जो डेटा सेट में विभिन्न इनपुट और आउटपुट चरों के बीच संबंधों का निर्धारण करने के लिए उपयोग की जाती है। साधारण रेखीय प्रतिगमन के कई वास्तविक समय अनुप्रयोग हैं। इस एल्गोरिदम को लागू करने के लिए उच्च गणना शक्ति की आवश्यकता नहीं होती है और इसे आसानी से लागू किया जा सकता है। इस तकनीक का उपयोग जहां भी सही ढंग से लागू किया जा सकता है, वहां इसका उपयोग करना आवश्यक है। हालांकि, कुछ पेशेवरों का यह भी मानना है कि साधारण रेखीय प्रतिगमन विभिन्न अनुप्रयोगों के लिए उपयुक्त पद्धति नहीं है, क्योंकि इसमें कई धारणाएं की जाती हैं। ये धारणाएं गलत साबित हो सकती हैं। इसलिए, यह तकनीक का उपयोग जहां भी सही ढंग से लागू किया जा सकता है, वहां इसका उपयोग करना आवश्यक है।
