एक्सेल बुनियादी मशीन लर्निंग कार्यों के लिए आश्चर्यजनक रूप से शक्तिशाली उपकरण है। हालांकि यह एक मशीन लर्निंग प्लेटफॉर्म नहीं है, लेकिन बिल्ट-इन फ़ंक्शन और सॉल्वर का उपयोग करके रैखिक और लॉजिस्टिक रिग्रेशन जैसे मूलभूत ML अवधारणाओं को प्रभावी ढंग से प्रदर्शित किया जा सकता है।
इस ट्यूटोरियल में, हम दिखाएंगे कि सॉल्वर और फ़ॉर्मूला का उपयोग करके एक्सेल में लाइटवेट मशीन लर्निंग मॉडल कैसे बनाएं।
- रैखिक प्रतिगमन: सतत मानों की भविष्यवाणी (बिक्री राजस्व, घर की कीमतें, परीक्षण स्कोर, आदि)।
- लॉजिस्टिक प्रतिगमन: हां/नहीं परिणामों की भविष्यवाणी (ग्राहक खरीद, ऋण डिफ़ॉल्ट, चिकित्सा निदान, पास/फेल, आदि)।
पूर्वापेक्षाएँ:
- माइक्रोसॉफ्ट एक्सेल (2016 या बाद का संस्करण अनुशंसित)।
- सॉल्वर ऐड-इन सक्षम करें।
- फ़ाइल टैब >> विकल्प >> ऐड-इन्स >> एक्सेल ऐड-इन्स चुनें।
- जाएं पर क्लिक करें।
- सॉल्वर ऐड-इन चुनें।
- OK पर क्लिक करें।
- प्रतिगमन अवधारणाओं की बुनियादी समझ।
भाग 1: रैखिक प्रतिगमन मॉडल
रैखिक प्रतिगमन डेटा बिंदुओं के माध्यम से सर्वोत्तम सीधी रेखा ढूंढकर सतत संख्यात्मक मानों की भविष्यवाणी करता है। हम एक सरल व्यावसायिक परिदृश्य को मॉडल करेंगे जहां विज्ञापन खर्च (X) बिक्री राजस्व (Y) की भविष्यवाणी करता है। प्रत्येक डेटा बिंदु एक महीने के व्यावसायिक डेटा का प्रतिनिधित्व करता है।
चरण 1: नमूना डेटा सेट करना
एक यथार्थवादी डेटासेट बनाएं जो इनपुट (हजारों में विज्ञापन खर्च) और आउटपुट (हजारों में बिक्री राजस्व) के बीच स्पष्ट रैखिक संबंध दिखाता है।
चरण 2: भविष्यवाणी फ़ॉर्मूला बनाएं
गणितीय "नॉब्स" सेट करें जिन्हें हमारा मॉडल सर्वोत्तम रेखा खोजने के लिए समायोजित करेगा। रैखिक प्रतिगमन में, हमें दो पैरामीटर चाहिए:
- इंटरसेप्ट (b0): जहां रेखा Y-अक्ष को पार करती है ($0 विज्ञापन के साथ बेसलाइन बिक्री)।
- स्लोप (b1): प्रत्येक $1000 विज्ञापन वृद्धि के लिए बिक्री कितनी बढ़ती है।
मॉडल पैरामीटर को अलग सेल में सेट करें:
भविष्यवाणी Y = b0 + b1 * X
- इंटरसेप्ट (b0) - प्रारंभिक मान 0
- स्लोप (b1) - प्रारंभिक मान 1
हम इस रैखिक समीकरण का उपयोग विज्ञापन खर्च के आधार पर बिक्री की भविष्यवाणी करने के लिए करेंगे। यह मॉडल का मूल है, और यह विज्ञापन राशि लेता है और अनुमान लगाता है कि बिक्री क्या होनी चाहिए।
गणितीय अर्थ:
- यदि b0 = 0.5 और b1 = 2, तो विज्ञापन पर $3k खर्च करने का अनुमान: 0.5 + 2*3 = $6.5k बिक्री में।
- मॉडल डेटा से b0 और b1 के सर्वोत्तम मान सीखता है।
चरण 3: अवशेष और त्रुटियों की गणना करें
मापें कि हमारी भविष्यवाणियां कितनी गलत हैं। यह महत्वपूर्ण है क्योंकि मॉडल इन त्रुटियों को कम करने का प्रयास करके सीखता है।
- अवशेष: प्रत्येक महीने के लिए वास्तविक बिक्री और अनुमानित बिक्री के बीच अंतर।
- वर्ग त्रुटियां: अवशेषों का वर्ग (सभी त्रुटियों को सकारात्मक बनाने और बड़ी त्रुटियों को अधिक दंडित करने के लिए)।
चरण 4: त्रुटि मीट्रिक की गणना करें
मॉडल प्रदर्शन के व्यवसाय-सार्थक माप बनाएं। ये मीट्रिक यह समझने में मदद करते हैं कि क्या मॉडल वास्तविक दुनिया के उपयोग के लिए पर्याप्त अच्छा है।
निर्दिष्ट क्षेत्र में प्रमुख मीट्रिक सेट करें:
- वर्ग त्रुटियों का योग (SSE): सभी भविष्यवाणियों में कुल त्रुटि - कम बेहतर है।
- मूल वर्ग माध्य त्रुटि (RMSE): मूल इकाइयों ($000s) में औसत त्रुटि - व्याख्या करना आसान।
- R-वर्ग: विज्ञापन द्वारा समझाई गई बिक्री भिन्नता का प्रतिशत (0-100%, अधिक बेहतर)।
- माध्य निरपेक्ष त्रुटि (MAE): औसत निरपेक्ष त्रुटि - RMSE की तुलना में आउटलेयर के प्रति कम संवेदनशील।
चरण 5: पैरामीटर ऑप्टिमाइज़ करने के लिए सॉल्वर का उपयोग करें
एक्सेल को स्वचालित रूप से इंटरसेप्ट और स्लोप के सर्वोत्तम मान ढूंढने दें जो भविष्यवाणी त्रुटियों को कम करते हैं।
- डेटा टैब >> सॉल्वर चुनें।
- उद्देश्य सेट करें: SSE सेल।
- के लिए: न्यूनतम।
- चर सेल बदलकर: आपके पैरामीटर सेल।
- हल करें पर क्लिक करें।
यह लाखों विभिन्न संयोजनों को आज़माता है, प्रत्येक के लिए कुल त्रुटि की गणना करता है, और न्यूनतम त्रुटि वाले संयोजन को ढूंढने तक समायोजन करता रहता है। यह अनुमान लगाने की तुलना में बहुत तेज़ और अधिक सटीक है।
चरण 6: विज़ुअलाइज़ेशन बनाएं
मॉडल का दृश्य सत्यापन समझ में आता है। आइए भविष्यवाणी रेखा को अधिकांश डेटा बिंदुओं के करीब से गुजरते हुए देखें।
- विज्ञापन और बिक्री कॉलम चुनें।
- इन्सर्ट टैब >> चार्ट्स से >> स्कैटर प्लॉट चुनें।
- चार्ट पर राइट-क्लिक >> डेटा >> सीरीज़ जोड़ें चुनें।
- भविष्यवाणी सीरीज़ को एक रेखा के रूप में फ़ॉर्मेट करें।
भाग 2: लॉजिस्टिक प्रतिगमन मॉडल
लॉजिस्टिक प्रतिगमन हां/नहीं निर्णयों के लिए संभावनाओं की भविष्यवाणी करता है। रैखिक प्रतिगमन के विपरीत, जो सटीक संख्याओं की भविष्यवाणी करता है, लॉजिस्टिक प्रतिगमन किसी घटना की संभावना (0-100%) की भविष्यवाणी करता है।
चरण 1: बाइनरी वर्गीकरण डेटा तैयार करें
आइए ग्राहक खरीद व्यवहार को मॉडल करें। ग्राहक आय स्तर (X) के आधार पर, हम भविष्यवाणी करना चाहते हैं कि वे हमारे प्रीमियम उत्पाद को खरीदेंगे (1) या नहीं (0)। यह मार्केटिंग टार्गेटिंग, चिकित्सा निदान, या किसी भी बाइनरी निर्णय के लिए विशिष्ट है।
चरण 2: लॉजिस्टिक भविष्यवाणी फ़ॉर्मूला बनाएं
लॉजिस्टिक मॉडल पैरामीटर आरंभ करें:
सिग्मॉइड फ़ंक्शन के माध्यम से काम करने वाले लॉजिस्टिक फ़ंक्शन के लिए पैरामीटर सेट करें।
- इंटरसेप्ट (b0): थ्रेशोल्ड को बाएं या दाएं शिफ्ट करता है (जहां 50% संभावना होती है)।
- स्लोप (b1): "असंभाव्य" से "संभाव्य" में संक्रमण की तीव्रता को नियंत्रित करता है।
- प्रारंभिक मान: हम उचित अनुमानों से शुरू करते हैं; सॉल्वर उन्हें ऑप्टिमाइज़ करेगा।
संभावना = 1 / (1 + e^(-(b0 + b1×X)))
चरण 3: लॉग-लिकेलिहुड की गणना करें
मापें कि हमारी संभावना भविष्यवाणियां वास्तविक परिणामों से कितनी अच्छी तरह मेल खाती हैं। यह सरल त्रुटियों की तुलना में अधिक जटिल है क्योंकि हम सटीक मानों के बजाय संभावनाओं से निपट रहे हैं।
चरण 4: लॉजिस्टिक मॉडल मीट्रिक सेट करें
वर्गीकरण प्रदर्शन के व्यवसाय-प्रासंगिक माप बनाएं। ये मीट्रिक यह तय करने में मदद करते हैं कि क्या मॉडल वास्तविक व्यावसायिक निर्णय लेने के लिए पर्याप्त अच्छा है।
चरण 5: सॉल्वर के साथ लॉजिस्टिक मॉडल को ऑप्टिमाइज़ करें
उन पैरामीटर मानों को ढूंढें जो डेटा में संभावना पैटर्न को सर्वोत्तम रूप से फिट करते हैं। सॉल्वर नकारात्मक लॉग-लिकेलिहुड को न्यूनतम करता है, जो वास्तविक डेटा को देखने की संभावना को अधिकतम करता है।
सामान्य समस्याओं का निवारण
- सॉल्वर कन्वर्ज नहीं हो रहा: अलग प्रारंभिक मान आज़माएं या पुनरावृत्तियाँ बढ़ाएं।
- नकारात्मक R-वर्ग: डेटा एंट्री त्रुटियों या मॉडल विशिष्टता की जांच करें।
- लॉजिस्टिक में पूर्ण पृथक्करण: फ़ीचर मान कम करें या नियमितीकरण जोड़ें।
निष्कर्ष
यह ट्यूटोरियल सीधे एक्सेल में मशीन लर्निंग मॉडल बनाने की चरण-दर-चरण प्रक्रिया दिखाता है। हालांकि एक्सेल की विशेष एमएल टूल की तुलना में सीमाएं हैं, यह मॉडल यांत्रिकी को समझने के लिए पारदर्शिता और पहुंच प्रदान करता है। एक्सेल के सॉल्वर और बुनियादी फ़ॉर्मूला का उपयोग करके, आप इन लाइटवेट मशीन लर्निंग मॉडल को त्वरित रूप से लागू कर सकते हैं, भविष्यवाणियों को विज़ुअलाइज़ कर सकते हैं, और एक सरल लेकिन व्यावहारिक विधि के माध्यम से मॉडल सटीकता को समझ सकते हैं। यहां दिखाई गई तकनीकों को अधिक जटिल परिदृश्यों तक बढ़ाया जा सकता है और प्रतिगमन अवधारणाओं को सीखने के लिए शैक्षिक उपकरण के रूप में काम कर सकते हैं।
