తిరోగమనం వేరియబుల్స్ మధ్య సంబంధాలను విశ్లేషిస్తుంది
రిగ్రెషన్ అనేది ఒక డేటా మైనింగ్ టెక్నిక్, ఇది ప్రత్యేకమైన డేటాసమితి ఇచ్చిన సంఖ్యా విలువలను ( నిరంతర విలువలు అని కూడా పిలుస్తారు) అంచనా వేయడానికి ఉపయోగిస్తారు. ఉదాహరణకు, ఇతర వేరియబుల్స్ ఇచ్చిన ఉత్పత్తి లేదా సేవ యొక్క వ్యయాన్ని అంచనా వేయడానికి రిగ్రెషన్ ఉపయోగించబడవచ్చు.
వ్యాపార మరియు మార్కెటింగ్ ప్రణాళిక, ఆర్థిక అంచనా, పర్యావరణ నమూనా మరియు ధోరణుల విశ్లేషణ కోసం బహుళ పరిశ్రమల్లో తిరోగమనం ఉపయోగిస్తారు.
రిగ్రెషన్ Vs. వర్గీకరణ
అటువంటి సమస్యలను పరిష్కరించడానికి ఉపయోగించే డేటా మైనింగ్ పద్ధతులు రిగ్రెషన్ మరియు వర్గీకరణ . ఇవి తరచుగా అయోమయం చెందుతాయి. రెండూ ప్రిడిక్షన్ విశ్లేషణలో ఉపయోగించబడతాయి, కానీ వర్గీకరణ అనేది వివిక్త వర్గాలలో డేటాను కేటాయించేటప్పుడు రిగ్రెషన్ ఒక సంఖ్యా లేదా నిరంతర విలువను అంచనా వేయడానికి ఉపయోగిస్తారు.
ఉదాహరణకు, రిగ్రెషన్ దాని స్థానాన్ని, చదరపు అడుగుల, చివరి విక్రయించిన ధర, ఇదే గృహాల ధర మరియు ఇతర కారకాల ఆధారంగా ఒక ఇంటి విలువను అంచనా వేయడానికి ఉపయోగించబడుతుంది. మీరు బదులుగా గృహాలను నిర్వహించడానికి కోరుకుంటే, వర్గీకరణ, చాలా పరిమాణం లేదా నేర రేట్ల వంటి వర్గీకరణ క్రమంలో ఉంటుంది.
రిగ్రెషన్ టెక్నిక్స్ రకాలు
రెగ్యుషన్ యొక్క సరళమైన మరియు పురాతన రూపం రెండు వేరియబుల్స్ మధ్య సంబంధాన్ని అంచనా వేయడానికి ఉపయోగించే సరళ రిగ్రెషన్. ఈ పద్ధతి సరళ రేఖ యొక్క గణిత సూత్రాన్ని ఉపయోగిస్తుంది (y = mx + b). సాదా పరంగా, ఇది Y మరియు X- అక్షంతో ఒక గ్రాఫ్ ఇచ్చిన అర్థం, X మరియు Y ల మధ్య సంబంధం కొన్ని దూరప్రాంతాల్లో ఒక సరళ రేఖగా ఉంటుంది. ఉదాహరణకు, జనాభా పెరుగుదలతో, ఆహార ఉత్పాదకత ఒకే స్థాయిలో పెరుగుతుందని మేము భావించవచ్చు - దీనికి రెండు అంకెలు మధ్య బలమైన, సరళ సంబంధం అవసరం. దీనిని చూసేందుకు, Y- యాక్సిస్ జనాభా పెరుగుదలను గుర్తించే గ్రాఫ్ను పరిగణించండి మరియు X- అక్షం ఆహార ఉత్పత్తిని ట్రాక్ చేస్తుంది. Y విలువ పెరిగేకొద్దీ, X విలువ అదే రేటు వద్ద పెరుగుతుంది, వాటి మధ్య ఒక సరళ రేఖకు మధ్య సంబంధాన్ని ఏర్పరుస్తుంది.
బహుళ రిగ్రెషన్ వంటి అధునాతన పద్ధతులు, బహుళ వేరియబుల్స్ మధ్య సంబంధాన్ని అంచనా వేస్తాయి - ఉదాహరణకి, ఆదాయము, విద్య మరియు ఒకరికి ఎక్కడ జీవిస్తుందో అక్కడ ఒక సంబంధం ఉంది? మరింత వేరియబుల్స్ అదనంగా అంచనా గణనీయంగా సంక్లిష్టత పెరుగుతుంది. వివిధ రకాలైన బహుళ రిగ్రెషన్ పద్ధతులు ప్రామాణికం, క్రమానుగత శ్రేణి, సమిష్టిగా మరియు మెట్టుతో, దాని స్వంత అనువర్తనంతో సహా ఉన్నాయి.
ఈ సమయంలో, మేము అంచనా వేయడానికి ప్రయత్నిస్తున్నాం (ప్రాతిపదిక లేదా అంచనా వేరియబుల్) మరియు మేము అంచనా వేసే డేటాను (స్వతంత్ర లేదా ప్రిడిక్టార్ వేరియబుల్స్) చేయడానికి ఉపయోగిస్తాము. మా ఉదాహరణలో, మనము జీవించటానికి ఎంచుకున్న స్థానమును అంచనా వేయవలెను ( అంచనా వేరియబుల్) ఇచ్చిన ఆదాయము మరియు విద్య ( ప్రిడిక్టార్ వేరియబుల్స్).
- స్టాండర్డ్ బహుళ రిగ్రెషన్ అన్ని సమయ ప్రిడిక్టర్ వేరియబుల్స్ను అదే సమయంలో పరిగణించింది. ఉదాహరణకు 1) ఆదాయం మరియు విద్య (ప్రిడిక్టార్ల) మరియు పొరుగు ఎంపిక (అంచనా) మధ్య సంబంధం ఏమిటి? మరియు 2) వ్యక్తిగత పద్దతిలో ప్రతి ఒక్కరికీ ఏ సంబంధం కలిగిస్తుంది?
- మస్తిష్క రీగ్రెషన్ పూర్తిగా భిన్నమైన ప్రశ్నకు సమాధానమిస్తుంది. ఒక stepwise రిగ్రెషన్ అల్గోరిథం ప్రిడిక్టార్ పొరుగు ఎంపికను అంచనా వేయడానికి ఉత్తమంగా ఉపయోగించుకోవటానికి ఇది విశ్లేషిస్తుంది - అంటే స్టెవివిడ మోడల్ ప్రిడిక్టార్ వేరియబుల్స్ యొక్క ప్రాముఖ్యత యొక్క క్రమాన్ని మదింపు చేసి, సంబంధిత సబ్సెట్ను ఎంపిక చేస్తుంది. రిగ్రెషన్ సమస్య యొక్క ఈ రకం రిగ్రెషన్ సమీకరణాన్ని అభివృద్ధి చేయడానికి "దశలను" ఉపయోగిస్తుంది. ఈ రకమైన తిరోగమన కారణంగా, అన్ని ప్రిడిక్టర్లు కూడా తుది తిరోగమన సమీకరణంలో కనిపించకపోవచ్చు.
- క్రమానుగత రిగ్రెషన్ , స్టెవివైజ్ వంటిది, ఒక వరుస ప్రక్రియ, కానీ ప్రిడిక్టార్ వేరియబుల్స్ ముందే నిర్వచించిన ముందుగా పేర్కొన్న క్రమంలో మోడల్లోకి ప్రవేశించబడతాయి, అంటే ఆల్గోరిథం ఏ క్రమంలో నిర్ణయించడానికి సమీకరణాల సమితిని కలిగి ఉండదు ప్రిడిక్టర్లను ఎంటర్ చెయ్యండి. రిగ్రెషన్ సమీకరణాన్ని సృష్టించే వ్యక్తి ఫీల్డ్ యొక్క నిపుణ జ్ఞానాన్ని కలిగి ఉన్నప్పుడు ఇది తరచుగా ఉపయోగించబడుతుంది.
- Setwise రిగ్రెషన్ కూడా stepwise పోలి కానీ వేరియబుల్స్ కాకుండా వ్యక్తిగత వేరియబుల్స్ విశ్లేషణలు సెట్లు.