बहुपद प्रतिगमन: Difference between revisions

Revision as of 11:57, 16 July 2023

सांख्यिकी में, बहुपद प्रतिगमन प्रतिगमन विश्लेषण का रूप है जिसमें स्वतंत्र चर x और आश्रित चर y के बीच संबंध को x में nवीं कोटि बहुपद के रूप में तैयार किया जाता है। बहुपद प्रतिगमन x के मान और y की संगत सशर्त माध्य, E(y |x) के बीच अरैखिक संबंध के अनुरूप है। यद्यपि बहुपद प्रतिगमन आंकड़े के लिए अरैखिक मॉडल के अनुरूप है, सांख्यिकीय अनुमान समस्या के रूप में यह रैखिक है, इस अर्थ में कि प्रतिगमन फलन E(y | x) आंकड़े से अनुमानित अज्ञात मापदंड में रैखिक है। इस कारण से, बहुपद प्रतिगमन को एकाधिक रैखिक प्रतिगमन का विशेष मामला माना जाता है।

आधारभूत चर के बहुपद विस्तार से उत्पन्न "व्याख्यात्मक (स्वतंत्र)" चर को उच्च-कोटि शब्दों के रूप में जाना जाता है। ऐसे चर का उपयोग सांख्यिकीय वर्गीकरण समायोजन में भी किया जाता है।^[1]

इतिहास

बहुपद प्रतिगमन मॉडल सामान्यतः न्यूनतम वर्ग की विधि का उपयोग के अनुरूप होते हैं। न्यूनतम-वर्ग विधि अनुमानक के पूर्वाग्रह के विचरण को कम करती है| गॉस-मार्कोव प्रमेय की शर्तों के अनुसार, न्यूनतम-वर्ग विधि गुणांक के निष्पक्ष अनुमानकों के विचरण को कम करती है। न्यूनतम-वर्ग विधि 1805 में एड्रियन मैरी लीजेंड्रे द्वारा और 1809 में गॉस द्वारा प्रकाशित की गई थी। बहुपद प्रतिगमन के लिए प्रयोग का पहला डिज़ाइन 1815 में इष्टतम डिज़ाइन जोसेफ़ डियाज़ गेर्गोन के पेपर में दिखाई दिया था।^[2]^[3] बीसवीं सदी में, बहुपद प्रतिगमन ने डिजाइन और अनुमान के मुद्दों पर अधिक जोर देने के साथ, प्रतिगमन विश्लेषण के विकास में एक महत्वपूर्ण भूमिका निभाई थी।^[4] हाल ही में, बहुपद मॉडल के उपयोग को अन्य तरीकों से पूरक किया गया है, गैर-बहुपद मॉडल में कुछ वर्गों की समस्याओं के लिए फायदे हैं।

परिभाषा और उदाहरण

शेफ़े दृष्टिकोण का उपयोग करके बनाया गया है।

प्रतिगमन विश्लेषण का लक्ष्य स्वतंत्र चर (या स्वतंत्र चर के सदिश) x के मान के संदर्भ में आश्रित चर y के अपेक्षित मान को मॉडल करना है। सरल रैखिक प्रतिगमन में, मॉडल

y=\beta _{0}+\beta _{1}x+\varepsilon ,\,

का उपयोग किया जाता है, जहां ε अदिश (गणित) चर x पर प्रतिबंधित माध्य शून्य के साथ अप्राप्य यादृच्छिक त्रुटि है। इस मॉडल में, x के मान में प्रत्येक इकाई वृद्धि के लिए, y की सशर्त अपेक्षा β₁ इकाइयाँ से बढ़ जाती है।

कई समायोजन में, ऐसा रैखिक संबंध कायम नहीं रह सकता है। उदाहरण के लिए, यदि हम रासायनिक संश्लेषण की उत्पन्न को उस तापमान के संदर्भ में मॉडलिंग कर रहे हैं जिस पर संश्लेषण होता है, तो हम पा सकते हैं कि तापमान में प्रत्येक इकाई वृद्धि के लिए मात्रा में वृद्धि से उत्पन्न में सुधार होता है। इस मामले में, हम विधि का द्विघात मॉडल प्रस्तावित कर सकते हैं

y=\beta _{0}+\beta _{1}x+\beta _{2}x^{2}+\varepsilon .\,

इस मॉडल में, जब तापमान x से x + 1 इकाई तक बढ़ाया जाता है, तो अपेक्षित उत्पन्न $\beta _{1}+\beta _{2}(2x+1).$ में परिवर्तन होता है। (इसे इस समीकरण में x को x+1 से प्रतिस्थापित करके और x+1 में समीकरण से x में समीकरण घटाकर देखा जा सकता है।) x में अनंत परिवर्तन के लिए, y पर प्रभाव x के संबंध में कुल व्युत्पन्न द्वारा दिया जाता है। : $\beta _{1}+2\beta _{2}x.$ तथ्य यह है कि उत्पन्न में परिवर्तन x पर निर्भर करता है, जो x और y के बीच संबंध को अरेखीय बनाता है, भले ही मॉडल अनुमानित मापदंडों में रैखिक हो।

सामान्य तौर पर, हम y के अपेक्षित मान को nवीं कोटि बहुपद के रूप में मॉडल कर सकते हैं, जिससे सामान्य बहुपद प्रतिगमन मॉडल प्राप्त होता है

y=\beta _{0}+\beta _{1}x+\beta _{2}x^{2}+\beta _{3}x^{3}+\cdots +\beta _{n}x^{n}+\varepsilon .\,

ये मॉडल आसानी से अनुमान सिद्धांत के दृष्टिकोण से सभी रैखिक हैं, क्योंकि प्रतिगमन फलन अज्ञात मापदंड β₀, β₁, ...के संदर्भ में रैखिक है इसलिए, न्यूनतम वर्ग विश्लेषण के लिए, बहुपद प्रतिगमन की संगणनात्मक और अनुमानित समस्याओं को रैखिक प्रतिगमन की तकनीकों का उपयोग करके पूरी तरह से संबोधित किया जा सकता है। यह एकाधिक प्रतिगमन मॉडल में विशिष्ट स्वतंत्र चर के रूप में x, x², ..का उपचार करके किया जाता है।

आव्यूह विधि और अनुमानों की गणना

बहुपद प्रतिगमन मॉडल

y_{i}\,=\,\beta _{0}+\beta _{1}x_{i}+\beta _{2}x_{i}^{2}+\cdots +\beta _{m}x_{i}^{m}+\varepsilon _{i}\ (i=1,2,\dots ,n)

डिज़ाइन आव्यूह $\mathbf {X}$ प्रतिक्रिया सदिश ${\vec {y}}$ , मापदंड सदिश ${\vec {\beta }}$ , और सदिश ${\vec {\varepsilon }}$ यादृच्छिक त्रुटियो के संदर्भ में आव्यूह रूप में व्यक्त किया जा सकता है। i-वीं पंक्ति $\mathbf {X}$ और ${\vec {y}}$ i-वें आंकड़े नमूने के लिए x और y मान सम्मिलित होंगे। तब मॉडल को रैखिक समीकरणों क प्रणाली के रूप में लिखा जा सकता है:

{\begin{bmatrix}y_{1}\\y_{2}\\y_{3}\\\vdots \\y_{n}\end{bmatrix}}={\begin{bmatrix}1&x_{1}&x_{1}^{2}&\dots &x_{1}^{m}\\1&x_{2}&x_{2}^{2}&\dots &x_{2}^{m}\\1&x_{3}&x_{3}^{2}&\dots &x_{3}^{m}\\\vdots &\vdots &\vdots &\ddots &\vdots \\1&x_{n}&x_{n}^{2}&\dots &x_{n}^{m}\end{bmatrix}}{\begin{bmatrix}\beta _{0}\\\beta _{1}\\\beta _{2}\\\vdots \\\beta _{m}\end{bmatrix}}+{\begin{bmatrix}\varepsilon _{1}\\\varepsilon _{2}\\\varepsilon _{3}\\\vdots \\\varepsilon _{n}\end{bmatrix}},

जिसे शुद्ध आव्यूह संकेतन का उपयोग करते समय इस प्रकार लिखा जाता है

{\vec {y}}=\mathbf {X} {\vec {\beta }}+{\vec {\varepsilon }}.\,

अनुमान बहुपद प्रतिगमन गुणांक का सदिश (साधारण न्यूनतम वर्ग अनुमान का उपयोग करके) है

{\widehat {\vec {\beta }}}=(\mathbf {X} ^{\mathsf {T}}\mathbf {X} )^{-1}\;\mathbf {X} ^{\mathsf {T}}{\vec {y}},\,

यह मानते हुए कि m < n जो आव्यूह के व्युत्क्रमणीय होने के लिए आवश्यक है; तब से $\mathbf {X}$ वेंडरमोंडे आव्यूह है, यदि सभी हो तो व्युत्क्रमणीयता की स्थिति कायम रहने की गारंटी है $x_{i}$ मान भिन्न हैं। यह अद्वितीय न्यूनतम-वर्ग समाधान है।

व्याख्या

यद्यपि बहुपद प्रतिगमन तकनीकी रूप से एकाधिक रैखिक प्रतिगमन का विशेष मामला है, अनुरूप बहुपद प्रतिगमन मॉडल की व्याख्या के लिए कुछ अलग परिप्रेक्ष्य की आवश्यकता होती है। बहुपद प्रतिगमन अनुरूप में व्यक्तिगत गुणांकों की व्याख्या करना अधिकांशतः मुश्किल होता है, क्योंकि अंतर्निहित एकपदी अत्यधिक सहसंबद्ध हो सकते हैं। उदाहरण के लिए, x और x² का सहसंबंध 0.97 के आसपास होता है जब x अंतराल (0, 1) पर समान वितरण (निरंतर) होता है। यद्यपि लांबिक बहुपद का उपयोग करके सहसंबंध को कम किया जा सकता है, लेकिन समग्र रूप से अनुरूप किए गए प्रतिगमन फलन पर विचार करना सामान्यतः अधिक जानकारीपूर्ण होता है। प्रतिगमन फलन के अनुमान में अनिश्चितता की भावना प्रदान करने के लिए बिंदु-वार या एक साथ विश्वास्यता बैंड का उपयोग किया जाता है।

वैकल्पिक दृष्टिकोण

बहुपद प्रतिगमन दो मात्राओं के बीच कार्यात्मक संबंध को मॉडल करने के लिए आधार फलन का उपयोग, प्रतिगमन विश्लेषण का उदाहरण है। विशेष रूप से, यह $x\in \mathbb {R} ^{d_{x}}$ बहुपद आधार के साथ रैखिक प्रतिगमन में $\varphi (x)\in \mathbb {R} ^{d_{\varphi }}$ प्रतिस्थापित करता है उदाहरण $[1,x]\mathbin {\stackrel {\varphi }{\rightarrow }} [1,x,x^{2},\ldots ,x^{d}]$ । बहुपद आधारों का कमी यह है कि आधार फलन "गैर-स्थानीय" हैं, जिसका अर्थ है कि किसी दिए गए मान पर y का अनुरूप मान x = x₀_, x से दूर x वाले आंकड़े मानों पर दृढ़ता से निर्भर करता है।^[5] आधुनिक आँकड़ों में, बहुपद आधार-फलन का उपयोग नए आधार फलन, जैसे स्पलाइन (गणित), रेडियल आधार फलन और तरंगिका के साथ किया जाता है। आधार फलन के ये वर्ग कई प्रकार के आंकड़े के लिए अधिक अनुकूल अनुरूप प्रदान करते हैं।

बहुपद प्रतिगमन का लक्ष्य स्वतंत्र और आश्रित चर (तकनीकी रूप से, स्वतंत्र चर और आश्रित चर के सशर्त माध्य के बीच) के बीच गैर-रैखिक संबंध को मॉडल करना है। यह अप्राचल प्रतिगमन के लक्ष्य के समान है, जिसका उद्देश्य अरैखिक प्रतिगमन संबंधों को पकड़ना है।इसलिए, अप्राचल प्रतिगमन दृष्टिकोण जैसे समरेखण बहुपद प्रतिगमन के लिए उपयोगी विकल्प हो सकते हैं। इनमें से कुछ विधियाँ शास्त्रीय बहुपद प्रतिगमन के स्थानीयकृत रूप का उपयोग करती हैं।^[6] पारंपरिक बहुपद प्रतिगमन का फायदा यह है कि एकाधिक प्रतिगमन के अनुमानित ढांचे का उपयोग किया जा सकता है (यह आधार कार्यों के अन्य वर्ग जैसे स्प्लिंस का उपयोग करते समय भी लागू होता है)।

एक अंतिम विकल्प कर्नेल विधि मॉडल का उपयोग करना है जैसे बहुपद कर्नेल के साथ सदिश प्रतिगमन का समर्थन करना है।

यदि अवशिष्टों (सांख्यिकी) में असमान भिन्नता है, तो उसके लिए भारित न्यूनतम वर्ग अनुमानक का उपयोग किया जा सकता है।^[7]

यह भी देखें

संदर्भ

↑ Yin-Wen Chang; Cho-Jui Hsieh; Kai-Wei Chang; Michael Ringgaard; Chih-Jen Lin (2010). "रैखिक एसवीएम के माध्यम से निम्न-डिग्री बहुपद डेटा मैपिंग का प्रशिक्षण और परीक्षण". Journal of Machine Learning Research. 11: 1471–1490.
↑ Gergonne, J. D. (November 1974) [1815]. "अनुक्रमों के प्रक्षेप के लिए न्यूनतम वर्गों की विधि का अनुप्रयोग". Historia Mathematica (Translated by Ralph St. John and S. M. Stigler from the 1815 French ed.). 1 (4): 439–447. doi:10.1016/0315-0860(74)90034-2.
↑ Stigler, Stephen M. (November 1974). "Gergonne's 1815 paper on the design and analysis of polynomial regression experiments". Historia Mathematica. 1 (4): 431–439. doi:10.1016/0315-0860(74)90033-0.
↑ Smith, Kirstine (1918). "एक प्रेक्षित बहुपद फलन और उसके स्थिरांकों के समायोजित और अंतर्वेशित मूल्यों के मानक विचलन और प्रेक्षणों के वितरण के उचित विकल्प के लिए उनके द्वारा दिए जाने वाले मार्गदर्शन पर". Biometrika. 12 (1/2): 1–85. doi:10.2307/2331929. JSTOR 2331929.
↑
Such "non-local" behavior is a property of analytic functions that are not constant (everywhere). Such "non-local" behavior has been widely discussed in statistics:
- Magee, Lonnie (1998). "Nonlocal Behavior in Polynomial Regressions". The American Statistician. 52 (1): 20–22. doi:10.2307/2685560. JSTOR 2685560.
↑ Fan, Jianqing (1996). Local Polynomial Modelling and Its Applications: From linear regression to nonlinear regression. Monographs on Statistics and Applied Probability. Chapman & Hall/CRC. ISBN 978-0-412-98321-4.
↑ Conte, S.D.; De Boor, C. (2018). Elementary Numerical Analysis: An Algorithmic Approach. Classics in Applied Mathematics. Society for Industrial and Applied Mathematics (SIAM, 3600 Market Street, Floor 6, Philadelphia, PA 19104). p. 259. ISBN 978-1-61197-520-8. Retrieved 2020-08-28.
↑ Stevenson, Christopher. "Tutorial: Polynomial Regression in Excel". facultystaff.richmond.edu. Retrieved 22 January 2017.

बाहरी संबंध

Curve Fitting, PhET Interactive simulations, University of Colorado at Boulder

[Chang2010-1] Yin-Wen Chang; Cho-Jui Hsieh; Kai-Wei Chang; Michael Ringgaard; Chih-Jen Lin (2010). "रैखिक एसवीएम के माध्यम से निम्न-डिग्री बहुपद डेटा मैपिंग का प्रशिक्षण और परीक्षण". Journal of Machine Learning Research. 11: 1471–1490.

[2] Gergonne, J. D. (November 1974) [1815]. "अनुक्रमों के प्रक्षेप के लिए न्यूनतम वर्गों की विधि का अनुप्रयोग". Historia Mathematica (Translated by Ralph St. John and S. M. Stigler from the 1815 French ed.). 1 (4): 439–447. doi:10.1016/0315-0860(74)90034-2.

[3] Stigler, Stephen M. (November 1974). "Gergonne's 1815 paper on the design and analysis of polynomial regression experiments". Historia Mathematica. 1 (4): 431–439. doi:10.1016/0315-0860(74)90033-0.

[4] Smith, Kirstine (1918). "एक प्रेक्षित बहुपद फलन और उसके स्थिरांकों के समायोजित और अंतर्वेशित मूल्यों के मानक विचलन और प्रेक्षणों के वितरण के उचित विकल्प के लिए उनके द्वारा दिए जाने वाले मार्गदर्शन पर". Biometrika. 12 (1/2): 1–85. doi:10.2307/2331929. JSTOR 2331929.

[5] Such "non-local" behavior is a property of analytic functions that are not constant (everywhere). Such "non-local" behavior has been widely discussed in statistics:
Magee, Lonnie (1998). "Nonlocal Behavior in Polynomial Regressions". The American Statistician. 52 (1): 20–22. doi:10.2307/2685560. JSTOR 2685560.

[6] Magee, Lonnie (1998). "Nonlocal Behavior in Polynomial Regressions". The American Statistician. 52 (1): 20–22. doi:10.2307/2685560. JSTOR 2685560.

[6] Fan, Jianqing (1996). Local Polynomial Modelling and Its Applications: From linear regression to nonlinear regression. Monographs on Statistics and Applied Probability. Chapman & Hall/CRC. ISBN 978-0-412-98321-4.

[Conte_De_Boor_2018_p._259-7] Conte, S.D.; De Boor, C. (2018). Elementary Numerical Analysis: An Algorithmic Approach. Classics in Applied Mathematics. Society for Industrial and Applied Mathematics (SIAM, 3600 Market Street, Floor 6, Philadelphia, PA 19104). p. 259. ISBN 978-1-61197-520-8. Retrieved 2020-08-28.

[8] Stevenson, Christopher. "Tutorial: Polynomial Regression in Excel". facultystaff.richmond.edu. Retrieved 22 January 2017.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

@@ Line 7: / Line 7: @@
 == इतिहास ==
-बहुपद प्रतिगमन मॉडल आमतौर पर [[कम से कम वर्गों|न्यूनतम वर्ग]] की विधि का उपयोग के अनुरूप होते हैं। न्यूनतम-वर्ग विधि अनुमानक के पूर्वाग्रह के विचरण को कम करती है| [[गॉस]]-मार्कोव प्रमेय की शर्तों के तहत, न्यूनतम-वर्ग विधि गुणांक के निष्पक्ष अनुमानकों के विचरण को कम करती है। न्यूनतम-वर्ग विधि 1805 में [[एड्रियन मैरी लीजेंड्रे]] द्वारा और 1809 में गॉस द्वारा प्रकाशित की गई थी। बहुपद प्रतिगमन के लिए प्रयोग का पहला डिज़ाइन 1815 में [[इष्टतम डिज़ाइन]] [[जोसेफ़ डियाज़ गेर्गोन]] के पेपर में दिखाई दिया था।<ref>{{cite journal | title=अनुक्रमों के प्रक्षेप के लिए न्यूनतम वर्गों की विधि का अनुप्रयोग|author=Gergonne, J. D. |journal=Historia Mathematica |volume=1 | issue=4 |date=November 1974 |orig-year=1815 |pages=439&ndash;447 |edition=Translated by Ralph St. John and [[Stephen M. Stigler|S. M. Stigler]] from the 1815 French | doi=10.1016/0315-0860(74)90034-2 |author-link=Joseph Diaz Gergonne |doi-access=free }}</ref><ref>{{cite journal | title=Gergonne's 1815 paper on the design and analysis of polynomial regression experiments | author=Stigler, Stephen M. |journal=Historia Mathematica | volume=1 |issue=4 |date=November 1974 |pages=431&ndash;439 | doi=10.1016/0315-0860(74)90033-0| author-link=Stephen M. Stigler | doi-access=free }}</ref> बीसवीं सदी में, बहुपद प्रतिगमन ने डिजाइन और अनुमान के मुद्दों पर अधिक जोर देने के साथ, प्रतिगमन विश्लेषण के विकास में एक महत्वपूर्ण भूमिका निभाई थी।<ref>{{cite journal | author=Smith, Kirstine|title=एक प्रेक्षित बहुपद फलन और उसके स्थिरांकों के समायोजित और अंतर्वेशित मूल्यों के मानक विचलन और प्रेक्षणों के वितरण के उचित विकल्प के लिए उनके द्वारा दिए जाने वाले मार्गदर्शन पर| year=1918 |journal=Biometrika | volume=12 | issue=1/2 | pages=1–85 | jstor=2331929 | doi=10.2307/2331929|url=https://zenodo.org/record/1431591 }}</ref> हाल ही में, बहुपद मॉडल के उपयोग को अन्य तरीकों से पूरक किया गया है, गैर-बहुपद मॉडल में कुछ वर्गों की समस्याओं के लिए फायदे हैं।
+बहुपद प्रतिगमन मॉडल सामान्यतः [[कम से कम वर्गों|न्यूनतम वर्ग]] की विधि का उपयोग के अनुरूप होते हैं। न्यूनतम-वर्ग विधि अनुमानक के पूर्वाग्रह के विचरण को कम करती है| [[गॉस]]-मार्कोव प्रमेय की शर्तों के अनुसार, न्यूनतम-वर्ग विधि गुणांक के निष्पक्ष अनुमानकों के विचरण को कम करती है। न्यूनतम-वर्ग विधि 1805 में [[एड्रियन मैरी लीजेंड्रे]] द्वारा और 1809 में गॉस द्वारा प्रकाशित की गई थी। बहुपद प्रतिगमन के लिए प्रयोग का पहला डिज़ाइन 1815 में [[इष्टतम डिज़ाइन]] [[जोसेफ़ डियाज़ गेर्गोन]] के पेपर में दिखाई दिया था।<ref>{{cite journal | title=अनुक्रमों के प्रक्षेप के लिए न्यूनतम वर्गों की विधि का अनुप्रयोग|author=Gergonne, J. D. |journal=Historia Mathematica |volume=1 | issue=4 |date=November 1974 |orig-year=1815 |pages=439&ndash;447 |edition=Translated by Ralph St. John and [[Stephen M. Stigler|S. M. Stigler]] from the 1815 French | doi=10.1016/0315-0860(74)90034-2 |author-link=Joseph Diaz Gergonne |doi-access=free }}</ref><ref>{{cite journal | title=Gergonne's 1815 paper on the design and analysis of polynomial regression experiments | author=Stigler, Stephen M. |journal=Historia Mathematica | volume=1 |issue=4 |date=November 1974 |pages=431&ndash;439 | doi=10.1016/0315-0860(74)90033-0| author-link=Stephen M. Stigler | doi-access=free }}</ref> बीसवीं सदी में, बहुपद प्रतिगमन ने डिजाइन और अनुमान के मुद्दों पर अधिक जोर देने के साथ, प्रतिगमन विश्लेषण के विकास में एक महत्वपूर्ण भूमिका निभाई थी।<ref>{{cite journal | author=Smith, Kirstine|title=एक प्रेक्षित बहुपद फलन और उसके स्थिरांकों के समायोजित और अंतर्वेशित मूल्यों के मानक विचलन और प्रेक्षणों के वितरण के उचित विकल्प के लिए उनके द्वारा दिए जाने वाले मार्गदर्शन पर| year=1918 |journal=Biometrika | volume=12 | issue=1/2 | pages=1–85 | jstor=2331929 | doi=10.2307/2331929|url=https://zenodo.org/record/1431591 }}</ref> हाल ही में, बहुपद मॉडल के उपयोग को अन्य तरीकों से पूरक किया गया है, गैर-बहुपद मॉडल में कुछ वर्गों की समस्याओं के लिए फायदे हैं।
 == परिभाषा और उदाहरण ==
@@ Line 15: / Line 15: @@
 y = \beta_0 + \beta_1 x + \varepsilon, \,
 </math>
-का उपयोग किया जाता है, जहां ε अदिश (गणित) चर ''x'' पर वातानुकूलित माध्य शून्य के साथ अप्राप्य यादृच्छिक त्रुटि है। इस मॉडल में, ''x'' के मान में प्रत्येक इकाई वृद्धि के लिए, ''y'' की सशर्त अपेक्षा ''β''<sub>1</sub> इकाइयाँ से बढ़ जाती है।
+का उपयोग किया जाता है, जहां ε अदिश (गणित) चर ''x'' पर प्रतिबंधित माध्य शून्य के साथ अप्राप्य यादृच्छिक त्रुटि है। इस मॉडल में, ''x'' के मान में प्रत्येक इकाई वृद्धि के लिए, ''y'' की सशर्त अपेक्षा ''β''<sub>1</sub> इकाइयाँ से बढ़ जाती है।
 कई समायोजन में, ऐसा रैखिक संबंध कायम नहीं रह सकता है। उदाहरण के लिए, यदि हम रासायनिक संश्लेषण की उत्पन्न को उस तापमान के संदर्भ में मॉडलिंग कर रहे हैं जिस पर संश्लेषण होता है, तो हम पा सकते हैं कि तापमान में प्रत्येक इकाई वृद्धि के लिए मात्रा में वृद्धि से उत्पन्न में सुधार होता है। इस मामले में, हम विधि का द्विघात मॉडल प्रस्तावित कर सकते हैं
@@ Line 22: / Line 22: @@
 y = \beta_0 + \beta_1x + \beta_2 x^2 + \varepsilon. \,
 </math>
-इस मॉडल में, जब तापमान ''x'' से ''x'' + 1 इकाई तक बढ़ाया जाता है, तो अपेक्षित उत्पन्न<math>\beta_1+\beta_2(2x+ 1).</math> में परिवर्तन होता है। (इसे इस समीकरण में ''x'' को ''x+1'' से प्रतिस्थापित करके और ''x''+1 में समीकरण से ''x में''  समीकरण घटाकर देखा जा सकता है।) ''x'' में अनंत परिवर्तन के लिए, ''y'' पर प्रभाव ''x'' के संबंध में [[कुल व्युत्पन्न]] द्वारा दिया जाता है। : <math>\beta_1+2\beta_2x.</math> तथ्य यह है कि उत्पन्न में परिवर्तन ''x'' पर निर्भर करता है, जो ''x'' और ''y'' के बीच संबंध को अरेखीय बनाता है, भले ही मॉडल अनुमानित मापदंडों में रैखिक हो।
+इस मॉडल में, जब तापमान ''x'' से ''x'' + 1 इकाई तक बढ़ाया जाता है, तो अपेक्षित उत्पन्न <math>\beta_1+\beta_2(2x+ 1).</math> में परिवर्तन होता है। (इसे इस समीकरण में ''x'' को ''x+1'' से प्रतिस्थापित करके और ''x''+1 में समीकरण से ''x'' में समीकरण घटाकर देखा जा सकता है।) ''x'' में अनंत परिवर्तन के लिए, ''y'' पर प्रभाव ''x'' के संबंध में [[कुल व्युत्पन्न]] द्वारा दिया जाता है। : <math>\beta_1+2\beta_2x.</math> तथ्य यह है कि उत्पन्न में परिवर्तन ''x'' पर निर्भर करता है, जो ''x'' और ''y'' के बीच संबंध को अरेखीय बनाता है, भले ही मॉडल अनुमानित मापदंडों में रैखिक हो।
 सामान्य तौर पर, हम ''y'' के अपेक्षित मान को ''n''वीं कोटि बहुपद के रूप में मॉडल कर सकते हैं, जिससे सामान्य बहुपद प्रतिगमन मॉडल प्राप्त होता है
@@ Line 29: / Line 29: @@
 y = \beta_0 + \beta_1 x + \beta_2 x^2 + \beta_3 x^3 + \cdots + \beta_n x^n + \varepsilon. \,
 </math>
-ये मॉडल आसानी से अनुमान सिद्धांत के दृष्टिकोण से सभी रैखिक हैं, क्योंकि प्रतिगमन फलन अज्ञात मापदंड  ''β<sub>0</sub>, β<sub>1</sub>, ...''।के संदर्भ में रैखिक है इसलिए, न्यूनतम वर्ग विश्लेषण के लिए, बहुपद प्रतिगमन की कम्प्यूटेशनल और अनुमानित समस्याओं को रैखिक प्रतिगमन की तकनीकों का उपयोग करके पूरी तरह से संबोधित किया जा सकता है। यह एकाधिक प्रतिगमन मॉडल में विशिष्ट स्वतंत्र चर के रूप में ''x, x<sup>2</sup>, ..''।का उपचार करके किया जाता है।
+ये मॉडल आसानी से अनुमान सिद्धांत के दृष्टिकोण से सभी रैखिक हैं, क्योंकि प्रतिगमन फलन अज्ञात मापदंड  ''β<sub>0</sub>, β<sub>1</sub>, ...''के संदर्भ में रैखिक है इसलिए, न्यूनतम वर्ग विश्लेषण के लिए, बहुपद प्रतिगमन की संगणनात्मक और अनुमानित समस्याओं को रैखिक प्रतिगमन की तकनीकों का उपयोग करके पूरी तरह से संबोधित किया जा सकता है। यह एकाधिक प्रतिगमन मॉडल में विशिष्ट स्वतंत्र चर के रूप में ''x, x<sup>2</sup>, ..''का उपचार करके किया जाता है।
 ==आव्यूह विधि और अनुमानों की गणना==
@@ Line 36: / Line 36: @@
 :<math>y_i \,=\, \beta_0 + \beta_1 x_i + \beta_2 x_i^2 + \cdots + \beta_m x_i^m + \varepsilon_i\  (i = 1, 2, \dots , n) </math>
-डिज़ाइन आव्यूह <math>\mathbf{X}</math> प्रतिक्रिया सदिश <math>\vec y</math>, मापदंड सदिश <math>\vec \beta</math>, और सदिश <math>\vec\varepsilon</math> यादृच्छिक त्रुटियो के संदर्भ में आव्यूह रूप में व्यक्त किया जा सकता है।  i-वीं पंक्ति <math>\mathbf{X}</math> और <math>\vec y</math> i-वें आंकड़े नमूने के लिए ''x'' और ''y'' मान शामिल होंगे। तब मॉडल को रैखिक समीकरणों क प्रणाली के रूप में लिखा जा सकता है:
+डिज़ाइन आव्यूह <math>\mathbf{X}</math> प्रतिक्रिया सदिश <math>\vec y</math>, मापदंड सदिश <math>\vec \beta</math>, और सदिश <math>\vec\varepsilon</math> यादृच्छिक त्रुटियो के संदर्भ में आव्यूह रूप में व्यक्त किया जा सकता है।  i-वीं पंक्ति <math>\mathbf{X}</math> और <math>\vec y</math> i-वें आंकड़े नमूने के लिए ''x'' और ''y'' मान सम्मिलित होंगे। तब मॉडल को रैखिक समीकरणों क प्रणाली के रूप में लिखा जा सकता है:
 :<math> \begin{bmatrix} y_1\\ y_2\\ y_3 \\ \vdots \\ y_n \end{bmatrix}= \begin{bmatrix} 1 & x_1 & x_1^2 & \dots & x_1^m \\ 1 & x_2 & x_2^2 & \dots & x_2^m \\ 1 & x_3 & x_3^2 & \dots & x_3^m \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 1 & x_n & x_n^2 & \dots & x_n^m \end{bmatrix} \begin{bmatrix} \beta_0\\ \beta_1\\ \beta_2\\ \vdots \\ \beta_m \end{bmatrix} + \begin{bmatrix} \varepsilon_1\\ \varepsilon_2\\ \varepsilon_3 \\ \vdots \\ \varepsilon_n \end{bmatrix}, </math>
-जिसे शुद्ध आव्यूह नोटेशन का उपयोग करते समय इस प्रकार लिखा जाता है
+जिसे शुद्ध आव्यूह संकेतन का उपयोग करते समय इस प्रकार लिखा जाता है
 : <math>\vec y = \mathbf{X} \vec \beta + \vec\varepsilon. \,</math>
@@ Line 49: / Line 49: @@
 ==व्याख्या==
-यद्यपि बहुपद प्रतिगमन तकनीकी रूप से एकाधिक रैखिक प्रतिगमन का विशेष मामला है, अनुरूप बहुपद प्रतिगमन मॉडल की व्याख्या के लिए कुछ अलग परिप्रेक्ष्य की आवश्यकता होती है। बहुपद प्रतिगमन अनुरूप में व्यक्तिगत गुणांकों की व्याख्या करना अक्सर मुश्किल होता है, क्योंकि अंतर्निहित एकपदी अत्यधिक सहसंबद्ध हो सकते हैं। उदाहरण के लिए, ''x'' और ''x<sup>2</sup>'' का सहसंबंध 0.97 के आसपास होता है जब ''x'' अंतराल (0, 1) पर [[समान वितरण (निरंतर)]] होता है। यद्यपि [[ऑर्थोगोनल बहुपद|लांबिक बहुपद]] का उपयोग करके सहसंबंध को कम किया जा सकता है, लेकिन समग्र रूप से अनुरूप किए गए प्रतिगमन फलन पर विचार करना आम तौर पर अधिक जानकारीपूर्ण होता है। प्रतिगमन फलन के अनुमान में अनिश्चितता की भावना प्रदान करने के लिए बिंदु-वार या एक साथ विश्वास्यता  बैंड का उपयोग किया जाता है।
+यद्यपि बहुपद प्रतिगमन तकनीकी रूप से एकाधिक रैखिक प्रतिगमन का विशेष मामला है, अनुरूप बहुपद प्रतिगमन मॉडल की व्याख्या के लिए कुछ अलग परिप्रेक्ष्य की आवश्यकता होती है। बहुपद प्रतिगमन अनुरूप में व्यक्तिगत गुणांकों की व्याख्या करना अधिकांशतः मुश्किल होता है, क्योंकि अंतर्निहित एकपदी अत्यधिक सहसंबद्ध हो सकते हैं। उदाहरण के लिए, ''x'' और ''x<sup>2</sup>'' का सहसंबंध 0.97 के आसपास होता है जब ''x'' अंतराल (0, 1) पर [[समान वितरण (निरंतर)]] होता है। यद्यपि [[ऑर्थोगोनल बहुपद|लांबिक बहुपद]] का उपयोग करके सहसंबंध को कम किया जा सकता है, लेकिन समग्र रूप से अनुरूप किए गए प्रतिगमन फलन पर विचार करना सामान्यतः अधिक जानकारीपूर्ण होता है। प्रतिगमन फलन के अनुमान में अनिश्चितता की भावना प्रदान करने के लिए बिंदु-वार या एक साथ विश्वास्यता बैंड का उपयोग किया जाता है।
 ==वैकल्पिक दृष्टिकोण==
-बहुपद प्रतिगमन दो मात्राओं के बीच कार्यात्मक संबंध को मॉडल करने के लिए [[आधार कार्य|आधार फलन]] का उपयोग, प्रतिगमन विश्लेषण का उदाहरण है। विशेष रूप से, यह <math>x \in \mathbb R^{d_x}</math> बहुपद आधार के साथ रैखिक प्रतिगमन में <math>\varphi (x) \in \mathbb R^{d_\varphi}</math> प्रतिस्थापित करता है उदाहरण<math>[1,x] \mathbin{\stackrel{\varphi}{\rightarrow}} [1,x,x^2,\ldots,x^d]</math>। बहुपद आधारों का कमी यह है कि आधार फलन "गैर-स्थानीय" हैं, जिसका अर्थ है कि किसी दिए गए मान पर ''y'' का अनुरूप मान x = x<sub>0,</sub> ''x'' से दूर ''x'' वाले आंकड़े मानों पर दृढ़ता से निर्भर करता है।<ref>
+बहुपद प्रतिगमन दो मात्राओं के बीच कार्यात्मक संबंध को मॉडल करने के लिए [[आधार कार्य|आधार फलन]] का उपयोग, प्रतिगमन विश्लेषण का उदाहरण है। विशेष रूप से, यह <math>x \in \mathbb R^{d_x}</math> बहुपद आधार के साथ रैखिक प्रतिगमन में <math>\varphi (x) \in \mathbb R^{d_\varphi}</math>प्रतिस्थापित करता है उदाहरण <math>[1,x] \mathbin{\stackrel{\varphi}{\rightarrow}} [1,x,x^2,\ldots,x^d]</math>। बहुपद आधारों का कमी यह है कि आधार फलन "गैर-स्थानीय" हैं, जिसका अर्थ है कि किसी दिए गए मान पर ''y'' का अनुरूप मान ''x = x<sub>0</sub>''<sub>,</sub> ''x'' से दूर ''x'' वाले आंकड़े मानों पर दृढ़ता से निर्भर करता है।<ref>
 Such "non-local" behavior is a property of [[Analytic function#Properties of analytic functions|analytic function]]s that are not constant (everywhere). Such "non-local" behavior has been widely discussed in statistics:
-*{{cite journal | doi=10.2307/2685560 | last=Magee | first=Lonnie | journal=The American Statistician | title=Nonlocal Behavior in Polynomial Regressions | volume=52 | year=1998 | jstor=2685560 | pages=20–22 | issue=1 }}</ref> आधुनिक आँकड़ों में, बहुपद आधार-फलन का उपयोग नए आधार फलन, जैसे स्पलाइन (गणित), रेडियल आधार फलन और [[ छोटा लहर |तरंगिका]] के साथ किया जाता है। [[आधार कार्य|आधा रफलन]] के ये वर्ग कई प्रकार के आंकड़े के लिए अधिक अनुकूल अनुरूप प्रदान करते हैं।
+*{{cite journal | doi=10.2307/2685560 | last=Magee | first=Lonnie | journal=The American Statistician | title=Nonlocal Behavior in Polynomial Regressions | volume=52 | year=1998 | jstor=2685560 | pages=20–22 | issue=1 }}</ref> आधुनिक आँकड़ों में, बहुपद आधार-फलन का उपयोग नए आधार फलन, जैसे स्पलाइन (गणित), रेडियल आधार फलन और [[ छोटा लहर |तरंगिका]] के साथ किया जाता है। [[आधार कार्य|आधार फलन]] के ये वर्ग कई प्रकार के आंकड़े के लिए अधिक अनुकूल अनुरूप प्रदान करते हैं।
 बहुपद प्रतिगमन का लक्ष्य स्वतंत्र और आश्रित चर (तकनीकी रूप से, स्वतंत्र चर और आश्रित चर के सशर्त माध्य के बीच) के बीच गैर-रैखिक संबंध को मॉडल करना है। यह [[गैरपैरामीट्रिक प्रतिगमन|अप्राचल प्रतिगमन]] के लक्ष्य के समान है, जिसका उद्देश्य अरैखिक प्रतिगमन संबंधों को पकड़ना है।इसलिए, अप्राचल प्रतिगमन दृष्टिकोण जैसे [[ चौरसाई |समरेखण]] बहुपद प्रतिगमन के लिए उपयोगी विकल्प हो सकते हैं। इनमें से कुछ विधियाँ शास्त्रीय बहुपद प्रतिगमन के स्थानीयकृत रूप का उपयोग करती हैं।<ref>{{cite book | last=Fan | first=Jianqing | year=1996 | title=Local Polynomial Modelling and Its Applications: From linear regression to nonlinear regression | series=Monographs on Statistics and Applied Probability | publisher=Chapman & Hall/CRC. | isbn=978-0-412-98321-4}}</ref> पारंपरिक बहुपद प्रतिगमन का फायदा यह है कि एकाधिक प्रतिगमन के अनुमानित ढांचे का उपयोग किया जा सकता है (यह आधार कार्यों के अन्य वर्ग जैसे स्प्लिंस का उपयोग करते समय भी लागू होता है)।
@@ Line 69: / Line 69: @@
 *[[बहुपद प्रक्षेप]]
 *[[प्रतिक्रिया सतह कार्यप्रणाली]]
-*तख़्ता को चिकना करना
+*तख़्ता को समरेखण करना
 ==टिप्पणियाँ==

Anonymous

Search

बहुपद प्रतिगमन: Difference between revisions

Namespaces

More

Page actions

Revision as of 11:57, 16 July 2023

Contents

इतिहास

परिभाषा और उदाहरण

आव्यूह विधि और अनुमानों की गणना

व्याख्या

वैकल्पिक दृष्टिकोण

यह भी देखें

टिप्पणियाँ

संदर्भ

बाहरी संबंध

Navigation

Navigation

Wiki tools

Wiki tools

Anonymous

Search

बहुपद प्रतिगमन: Difference between revisions

Revision as of 11:57, 16 July 2023

इतिहास

परिभाषा और उदाहरण

आव्यूह विधि और अनुमानों की गणना

व्याख्या

वैकल्पिक दृष्टिकोण

यह भी देखें

टिप्पणियाँ

संदर्भ

बाहरी संबंध

Navigation

Wiki tools

Page tools

Other projects

Categories