रिग्रेशन (Regression)
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।
डेटा को किसी फ़ंक्शन में फिट करके स्मूथ किया जा सकता है, जैसे रिग्रेशन के साथ। 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 डेटा को बहुआयामी स्थान में फिट किया जाता है।
रैखिक रिग्रेशन में, डेटा को एक सीधी रेखा फिट करने के लिए मॉडल किया जाता है। उदाहरण के लिए, एक रैंडम वेरिएबल, y (जिसे प्रतिक्रिया चर कहा जाता है), को दूसरे रैंडम वेरिएबल, x (जिसे भविष्यवक्ता चर कहा जाता है) के रैखिक फ़ंक्शन के रूप में मॉडल किया जा सकता है, समीकरण y = wx + b के साथ, जहां y का विचरण स्थिर माना जाता है।
रिग्रेशन मुद्दे इनपुट मूल्यों के आधार पर एक आउटपुट मान की गणना से निपटते हैं। जब वर्गीकरण के लिए उपयोग किया जाता है, तो इनपुट मूल्य डेटाबेस से मूल्य होते हैं और आउटपुट मूल्य कक्षाओं को दर्शाते हैं। रिग्रेशन का उपयोग वर्गीकरण समस्याओं का पता लगाने के लिए किया जा सकता है, लेकिन इसका उपयोग पूर्वानुमान जैसे कई अनुप्रयोगों के लिए भी किया जा सकता है। रिग्रेशन की प्राथमिक संरचना सरल रैखिक रिग्रेशन है जिसमें केवल एक भविष्यवक्ता और एक भविष्यवाणी होती है।
वर्गीकरण के लिए रिग्रेशन के उपयोग के तरीके
विभाजन (Division) - डेटा को वर्ग के आधार पर क्षेत्रों में विभाजित किया जाता है।
भविष्यवाणी (Prediction) - आउटपुट कक्षा के मूल्य की भविष्यवाणी करने के लिए सूत्र उत्पन्न किए जाते हैं।
ये तरीके एक प्रतिक्रिया (आश्रित) चर के मूल्य की भविष्यवाणी करने के लिए उपयोग किए जाते हैं एक या अधिक भविष्यवक्ता (स्वतंत्र) चरों से जहां चर पूर्णांक हैं। रिग्रेशन के कई रूप हैं, जैसे रैखिक, बहु, भारित, पॉलीनोमियल, नॉनपैरामीट्रिक, और मजबूत (मजबूत तकनीकें तब उपयोगी होती हैं जब त्रुटियां सामान्यता की शर्तों को पूरा करने में विफल होती हैं या जब डेटा में महत्वपूर्ण आउटलेयर्स होते हैं)।
रिग्रेशन कुछ आश्रित डेटा सेट्स का पूर्वानुमान लगा सकता है, जिन्हें स्वतंत्र चरों के संदर्भ में परिभाषित किया जाता है, और प्रवृत्ति एक निश्चित अवधि के लिए सुलभ होती है। रिग्रेशन चरों की भविष्यवाणी करने का एक अच्छा तरीका समर्थन करता है, लेकिन विशिष्ट प्रतिबंध और धारणाएं हैं जैसे चरों की स्वतंत्रता, चरों का अंतर्निहित सामान्य वितरण।
प्रत्येक रिग्रेशन ट्री लीफ एक सतत-मूल्य वाली भविष्यवाणी संग्रहीत करता है, जो प्रशिक्षण सेट्स के लिए अनुमानित विशेषता का औसत मूल्य है जो लीफ को कवर करते हैं। इसके विपरीत, मॉडल ट्रीज़ में, प्रत्येक लीफ एक रिग्रेशन मॉडल और अनुमानित विशेषता के लिए एक बहुचर सतत समीकरण से संबंधित होता है। रिग्रेशन और मॉडल ट्रीज़ रैखिक रिग्रेशन की तुलना में अधिक प्रभावी होते हैं जब डेटा एक सरल रैखिक मॉडल द्वारा अच्छी तरह से दर्शाया नहीं जाता है।
