डेटा माइनिंग में रिग्रेशन के प्रकार
रिग्रेशन एक प्रकार का सुपरवाइज्ड मशीन लर्निंग दृष्टिकोण है जिसका उपयोग किसी भी सतत-मूल्य वाले विशेषता का पूर्वानुमान लगाने के लिए किया जा सकता है। रिग्रेशन किसी व्यावसायिक संगठन को लक्ष्य चर और भविष्यवक्ता चर संबंधों का पता लगाने में सक्षम बनाता है। यह मौद्रिक पूर्वानुमान और समय श्रृंखला मॉडलिंग के लिए उपयोग किए जा सकने वाले डेटा का पता लगाने के लिए एक आवश्यक उपकरण है।
रिग्रेशन के विभिन्न प्रकार
1. रैखिक रिग्रेशन (Linear Regression)
रैखिक रिग्रेशन में दो विशेषताओं (या चरों) को फिट करने के लिए "सर्वश्रेष्ठ" लाइन खोजना शामिल है ताकि एक विशेषता का उपयोग दूसरे की भविष्यवाणी के लिए किया जा सके। मल्टीपल लीनियर रिग्रेशन रैखिक रिग्रेशन का एक विस्तार है, जहां दो से अधिक विशेषताएं शामिल होती हैं और रिकॉर्ड को बहुआयामी क्षेत्र में फिट किया जाता है।
उदाहरण के लिए, समीकरण है:
Y = a + b*X + e
जहां,
- a इंटरसेप्ट को परिभाषित करता है
- b रिग्रेशन लाइन के ढलान को परिभाषित करता है
- e त्रुटि को परिभाषित करता है
X और Y क्रमशः भविष्यवक्ता और लक्ष्य चर को परिभाषित करते हैं। यदि X एक से अधिक चर से बना है, तो इसे मल्टीपल लीनियर समीकरण के रूप में परिभाषित किया जाता है।
रैखिक रिग्रेशन में, बेस्ट फिट लाइन को लीस्ट स्क्वेर्ड विधि का उपयोग करके लागू किया जाता है, और यह प्रत्येक डेटा पॉइंट से रिग्रेशन लाइन तक विचलन के वर्गों के कुल योग को कम करता है। इसलिए, सकारात्मक और नकारात्मक विचलन रद्द नहीं होते क्योंकि कुछ विचलन वर्गाकार होते हैं।
2. पॉलीनोमियल रिग्रेशन (Polynomial Regression)
यदि रिग्रेशन समीकरण में स्वतंत्र चर की घात 1 से अधिक है, तो इसे पॉलीनोमियल समीकरण के रूप में परिभाषित किया जाता है।
उदाहरण के लिए, समीकरण है:
Y = a + b * x²
इस विशिष्ट रिग्रेशन में, बेस्ट फिट लाइन को रैखिक समीकरण की तरह सीधी रेखा नहीं माना जाता; बल्कि यह कुछ डेटा पॉइंट्स को फिट एक वक्र को परिभाषित करता है।
3. लॉजिस्टिक रिग्रेशन (Logistic Regression)
जब आश्रित चर प्रकृति में द्विआधारी होता है जैसे 0 और 1, सही या गलत, सफलता या विफलता, तो लॉजिस्टिक रिग्रेशन विधियां अस्तित्व में आती हैं। इसलिए, लक्ष्य मान (Y) 0 से 1 तक होता है, और यह आमतौर पर वर्गीकरण-आधारित समस्याओं के लिए उपयोग किया जाता है। रैखिक रिग्रेशन के विपरीत, इसे कुछ स्वतंत्र और आश्रित चरों के बीच रैखिक संबंध की आवश्यकता नहीं होती।
4. रिज रिग्रेशन (Ridge Regression)
रिज रिग्रेशन एक प्रक्रिया को परिभाषित करता है जिसका उपयोग मल्टीकॉलिनियरिटी की समस्या वाले विभिन्न रिग्रेशन डेटा की गणना के लिए किया जा सकता है। मल्टीकॉलिनियरिटी दो स्वतंत्र चरों के बीच एक रैखिक सहसंबंध की उपस्थिति है।
5. लासो रिग्रेशन (Lasso Regression)
LASSO का अर्थ है Least Absolute Shrinkage and Selection Operator। लासो रिग्रेशन रिग्रेशन की एक रैखिक विधि है जो श्रिंकेज का उपयोग करती है। लासो रिग्रेशन में, कुछ डेटा पॉइंट्स एक केंद्रीय बिंदु की ओर सिकुड़ते हैं, जिसे माध्य भी कहा जाता है। लासो प्रक्रिया कई पैरामीटर्स वाले सरल और विरल मॉडल के लिए अन्य रिग्रेशन की तुलना में सबसे अधिक उपयुक्त है। रिग्रेशन की यह विधि उन मॉडलों के लिए अच्छी तरह से उपयुक्त है जो मल्टीकॉलिनियरिटी से पीड़ित हैं।
