Berilganlarni intellektual tahlili

BERILGANLARNI INTELLEKTUAL TAHLILI
REJA:

1. Ma’lumotlar fani.Ma’lumotlarni tahlil qilish. Regressiya.

   
   

2. Model qanchalik yaxshi va muhim? Modellarni tanlash

   
   

3. Koeffitsiyentlar qanchalik muhim?

   
   

4. Ko’p chiziqlilik.

   
   

5. Misol.
   

Data Science (aka Data Mining ) ma'lumotlarni tahlil qilish orqali o'tmishni tushuntirish va kelajakni bashorat qilishdir . Ma'lumotlar fani - bu statistika, mashina o'rganish, sun'iy intellekt va ma'lumotlar bazasi texnologiyasini birlashtirgan ko'p tarmoqli soha. Ma'lumotlar faniga oid ilovalarning qiymati ko'pincha juda yuqori deb baholanadi. Ko'pgina korxonalar ko'p yillik faoliyat davomida katta hajmdagi ma'lumotlarni saqlab qolishgan va ma'lumotlar fani bu ma'lumotlardan juda qimmatli bilimlarni olishga qodir. Keyin korxonalar olingan bilimlarni ko'proq mijozlarga, ko'proq sotishga va katta foyda olishga qodir. Bu muhandislik va tibbiyot sohalarida ham amal qiladi.
Ma'lumotlar fani kelajakni modellashtirish orqali bashorat qiladi.
Bashoratli modellashtirish - natijani bashorat qilish uchun model yaratish jarayoni. Agar natija toifali bo'lsa, u tasnif deb ataladi va natija soni bo'lsa, regressiya deb ataladi .

Regressiya - bu bir yoki bir nechta bashorat qiluvchilar (raqamli va toifali o'zgaruvchilar) asosida model yaratish orqali maqsad (raqamli o'zgaruvchi) qiymatini bashorat qilish bo'yicha ma'lumotlar fanining vazifasi. Ko'p chiziqli regressiya ( MLR ) - bu qaram o'zgaruvchi (maqsad) va bir yoki bir nechta mustaqil o'zgaruvchilar (prediktorlar) o'rtasidagi chiziqli munosabatlarni modellashtirish uchun ishlatiladigan usul. MLR oddiy eng kichik kvadratlarga ( OLS ) asoslanadi , model shunday mos keladiki, kuzatilgan va bashorat qilingan qiymatlar farqlarining kvadratlari yig'indisi minimallashtiriladi. MLR modeli bir nechta taxminlarga asoslanadi (masalan, xatolar odatda nol o'rtacha va doimiy dispersiya bilan taqsimlanadi). Taxminlar qondirilsa, regressiya baholovchilari xolis , samarali va izchil ekanligi ma'nosida optimal hisoblanadi . Xolislik baholovchining kutilayotgan qiymati parametrning haqiqiy qiymatiga teng ekanligini bildiradi. Samarali degani, baholovchi boshqa har qanday baholovchiga qaraganda kichikroq dispersiyaga ega ekanligini anglatadi. Konsistent degani, tanlanma hajmi cheksizlikka yaqinlashganda, baholovchining tarafkashligi va dispersiyasi nolga yaqinlashishini bildiradi.