Linear Regression की अवधारणा

LinearRegression की संकल्पना

LinearRegression पर्यवेक्षित लर्निंग में सबसे सरल और व्यापक रूप से उपयोग किए जाने वाले एल्गोरिदम में से एक है। यह डेटा पर एक सीधी रेखा का अनुरूपण करके दो चरों के बीच संबंध का मॉडल बनाता है।

इस रेखा को सर्वोत्तम अनुरूपण रेखा कहा जाता है।

LinearRegression इन कार्यों के लिए उपयुक्त है:

• सतत मानों का पूर्वानुमान लगाना (जैसे, घरों की कीमतें और तापमान)।
• स्वतंत्र और आश्रित चरों के बीच संबंधों को समझना।

LinearRegression मॉडल के मुख्य घटक हैं:

• ढलान: रेखा का कोण निर्धारित करती है।
• अवरोधांक: वह बिंदु जहाँ रेखा y-अक्ष को काटती है।
• त्रुटि: वास्तविक और पूर्वानुमानित मानों के बीच का अंतर।

LinearRegression का सूत्र है:

y = mx + b

• y: आश्रित चर (जिसका आप पूर्वानुमान लगाना चाहते हैं)।
• m: रेखा की ढलान।
• x: स्वतंत्र चर (इनपुट डेटा)।
• b: अवरोधांक (स्थिरांक)।

LinearRegression वर्गित त्रुटियों के योग को न्यूनतम करने वाली रेखा खोजकर वास्तविक और पूर्वानुमानित मानों के बीच के अंतर को न्यूनतम करता है (न्यूनतम वर्ग विधि)।

इससे यह सुनिश्चित होता है कि रेखा सभी डेटा बिंदुओं के जितना संभव हो उतना निकट हो।

LinearRegression मॉडल को आमतौर पर डेटा बिंदुओं के scatter plot और सर्वोत्तम अनुरूपण रेखा के माध्यम से दिखाया जाता है।

यहाँ एक उदाहरण डेटासेट है:

• स्वतंत्र चर (x): 1, 2, 3, 4, 5
• आश्रित चर (y): 2, 4, 6, 8, 10

LinearRegression का व्यापक रूप से इन क्षेत्रों में उपयोग किया जाता है:

• अर्थशास्त्र: शेयर की कीमतों का पूर्वानुमान लगाना।
• स्वास्थ्य सेवा: रोगी के स्वस्थ होने में लगने वाले समय का अनुमान लगाना।
• विपणन: बिक्री से होने वाली आय का पूर्वानुमान लगाना।

LinearRegression चरों के बीच रैखिक संबंध मानता है, जो हमेशा सही नहीं हो सकता।

यह असामान्य मानों के प्रति भी संवेदनशील होता है, जो सर्वोत्तम अनुरूपण रेखा को महत्वपूर्ण रूप से प्रभावित कर सकते हैं।

इस पाठ में हमने इन विषयों को समझा:

• LinearRegression की संकल्पना और सूत्र।
• इसका उपयोग कब करना है और इसके मुख्य घटक।
• सामान्य उपयोग और सीमाएँ।

अगले चरण में हम व्यावहारिक अभ्यास के माध्यम से Python में LinearRegression लागू करेंगे।