Linear Regression Algorithm

linear regression என்பது எளிதான புள்ளிவிவர மாதிரிகளில் ஒன்று, linear regression 1911 முதல் உள்ளது. இது பாரம்பரிய புள்ளிவிவரங்களில் ஈடுபடக்கூடிய சிறந்த வழிமுறையாகும். ஏனெனில் இது புள்ளிவிவர வல்லுநர்களால் விரிவாக பகுப்பாய்வு செய்யப்பட்டு பயன்படுத்தப்படுகிறது. linear regression உள்ளீட்டுத் தரவுக்கும் பதிலளிக்கக்கூடிய மாறிக்கும் இடையிலான தொடர்பை அளவிட முயற்சிப்பதாகும்.

எடுத்துக்காட்டாக, உயரத்திற்கும் எடைக்கும் ஒரு தொடர்பு இருக்கிறதா என்பதை பார்க்க linear regression ஐ பயன்படுத்தலாம். அப்படியானால், எப்படி இரண்டிற்கும் இடையிலான உறவைப் புரிந்துகொள்வது, மற்றும் உயரம் தெரிந்தால் எப்படி எடையை கண்டுபிடிப்பது போன்ற கணித மாறிகளுக்கு பயன்படுத்தலாம்.

Linear Regression நோக்கம்:

பகுப்பாய்வு : Linear Regression எண் தரவுகளுக்கு இடையிலான உறவைப் புரிந்துகொள்ளவும் மற்றும் அளவிடவும் உதவுகிறது.

கணிப்பு: உங்கள் மாதிரியை நீங்கள் உருவாக்கிய பிறகு, கொடுக்கப்பட்ட உள்ளீடுகள் / சுய மாறிகள் தொகுப்பின் அடிப்படையில் ஒரு வெளியீடு / பதிலைக் கணிக்க முயற்சி செய்கிறது.

Linear Regressionவிதிமுறைகள்:

1)சுயமாறி: கவனித்தல் மற்றும் உள்ளீட்டுத் தரவு மற்றும் வெளியீட்டுத் தரவுகளுடன் எந்த Linear Regression ஐ தொடர்புபடுத்த முயற்சிக்கிறது.

2)சார்பு மாறி: சுய மாறிகள் மற்றும் / அல்லது கணிக்க விரும்பும் மதிப்புடன் தொடர்புகளை அளவிட பார்க்கும் மதிப்பு.

3) Residuals: சில நேரங்களில் "பிழை" என்று அழைக்கப்படுகிறது. கணிக்கப்பட்ட அல்லது உண்மையான பதிலுக்கு இடையிலான வித்தியாசம்.

Linear Regression Model:

1. Simple Linear Regression:ஒற்றை உள்ளீடு இருக்கும்போது எளிய Linear Regression குணகங்களை மதிப்பிடுவதற்கு புள்ளிவிவரங்கள் பயன்படுத்தப்படுகிறது.

2. Ordinary Least Squares:ஒன்றுக்கு மேற்பட்ட உள்ளீடு உள்ளபோதுகுணகங்களின் மதிப்புகளை மதிப்பிடுவதற்கு சாதாரண குறைந்த சதுரங்களைப் பயன்படுத்தலாம்.

3. Gradient Descent:ஒன்று அல்லது அதற்கு மேற்பட்ட உள்ளீடுகள் இருக்கும்போது, ​​ பயிற்சித் தரவில் மாதிரியின் பிழையை மீண்டும் குறைப்பதன் மூலம் குணகங்களின் மதிப்புகளை மேம்படுத்தும் செயல்முறையைப் பயன்படுத்தலாம்.

4. Regularization:ஒழுங்குமுறை முறைகள் எனப்படும் Linear Regression பயிற்சியின் நீட்டிப்புகள் உள்ளன. இவை இரண்டுமே பயிற்சித் தரவில் (சாதாரண குறைந்தபட்ச சதுரங்களைப் பயன்படுத்தி) மாதிரியின் சதுர பிழையின் தொகையைக் குறைக்க முயல்கின்றன.

Comments

  1. author

    Crapersoft, well knowledged in Bigdata, datamining and iot working environment in coimbatore.

    Reply
    1. author

      got good website... with advanced technologies...

      Reply
  2. author

    I have published my research paper to Scopus at short duration thanks to help of crapersoft.

    Reply

Leave A Comment

Gallery