متغیرات کے درمیان رجسٹر تجزیہ کرتا ہے
ایک خاص ڈیٹا بیس دیئے گئے رجسٹریشن ایک ڈیٹا کان کنی کی تکنیک ہے جس میں عددی قدروں کی ایک حد ( مسلسل مسلسل اقدار بھی کہا جاتا ہے ) کی پیشکش کی جاتی ہے. مثال کے طور پر، دوسرے متغیر دیئے گئے کسی مصنوعات یا سروس کی لاگت کی پیشکش کرنے کے لئے ریپریشن استعمال کیا جا سکتا ہے.
کاروباری اور مارکیٹنگ کی منصوبہ بندی، مالی پیشن گوئی، ماحولیاتی ماڈلنگ اور رجحانات کا تجزیہ کے لئے کئی صنعتوں میں رجریشن کا استعمال کیا جاتا ہے.
رجریشن بمقابلہ درجہ بندی
ریگریشن اور درجہ بندی اسی طرح کے مسائل کو حل کرنے کے لئے استعمال کیا جاتا ہے ڈیٹا کان کنی کی تکنیک ہیں، لیکن وہ اکثر الجھن میں ہیں. پیشن گوئی کے تجزیہ میں دونوں کا استعمال کیا جاتا ہے، لیکن ریپریشن کو عددی یا مسلسل قیمت کی پیش گوئی کرنے کے لئے استعمال کیا جاتا ہے جبکہ درجہ بندی کو ڈسکاؤنٹ زمرے میں ڈیٹا فراہم کرتا ہے.
مثال کے طور پر، اس کے مقام پر مبنی گھر کی قیمت، مربع فٹ، قیمت جب آخری فروخت، اسی طرح کے گھروں کی قیمت، اور دیگر عوامل کی پیشکش کرنے کے لئے رجریشن کا استعمال کیا جائے گا. درجہ بندی کی صورت میں اگر آپ گھروں کو زمرے میں منظم کرنا چاہتے ہیں تو اس طرح کی سہولت، بہت سارے سائز یا جرم کی شرح ہوتی ہے.
رجریشن تکنیک کی اقسام
رجریشن کا سب سے آسان اور سب سے قدیم ترین فارم لکیری ریگریشن ہے جس میں دو متغیروں کے درمیان تعلق کا اندازہ لگایا جاتا ہے. یہ تکنیک براہ راست لائن (y = mx + b) کے ریاضیاتی فارمولا کا استعمال کرتا ہے. سادہ اصطلاحات میں، اس کا مطلب یہ ہے کہ، ایک Y اور ایک ایکس محور کے ساتھ گراف دیا گیا ہے، X اور Y کے درمیان تعلقات چند محافظوں کے ساتھ براہ راست لائن ہے. مثال کے طور پر، ہم یہ سمجھ سکتے ہیں کہ، آبادی میں اضافے کی وجہ سے، خوراک کی پیداوار اسی شرح میں بڑھ جائے گا - یہ دو اعداد و شمار کے درمیان ایک مضبوط، لکیری تعلقات کی ضرورت ہے. یہ دیکھنے کے لئے، ایک گراف پر غور کریں جس میں Y-axis آبادی میں اضافے کو ٹریک کرتا ہے، اور ایکس محور فوڈ کی پیداوار کو ٹریک کرتا ہے. جیسا کہ Y قدر کی قیمت میں اضافہ ہوتا ہے، ایکس قدر اسی شرح میں بڑھ جاتا ہے، ان کے درمیان ایک براہ راست لائن کا تعلق ہوتا ہے.
اعلی درجے کی تکنیک، جیسے ایک سے زیادہ ریپریشن، متعدد متغیرات کے درمیان تعلق کی پیروی کرتی ہے - مثال کے طور پر کیا آمدنی، تعلیم اور جہاں کسی کو زندہ رہنے کا انتخاب ہوتا ہے کے درمیان تعلق ہے؟ مزید متغیرات کے علاوہ پیشن گوئی کی پیچیدگی میں اضافہ ہوتا ہے. معیاری، درجہ بندی، سیٹھی اور قدمی سمیت ایک سے زیادہ ریپریشن تکنیک کی کئی قسمیں ہیں، ہر ایک اپنی درخواست کے ساتھ.
اس موقع پر، یہ سمجھنے کے لئے ضروری ہے کہ ہم اس کی پیشن گوئی کرنے کے لئے کوشش کر رہے ہیں (انحصار یا پیش گوئی متغیر) اور جس ڈیٹا ہم پیشن گوئی (آزاد یا پیش گوئی متغیرات) بنانے کے لئے استعمال کررہے ہیں. ہمارے مثال میں، ہم اس جگہ کی پیشن گوئی کرنا چاہتے ہیں جہاں کسی کو آمدنی اور تعلیم ( پیش گوئی متغیر) دی گئی ہے جس میں کوئی زندگی ( متوقع متغیر) رہنے کا انتخاب ہوتا ہے.
- معیاری ایک سے زیادہ ریفریجریشن ایک ہی وقت میں تمام پیشن گوئی متغیر کو سمجھتا ہے. مثال کے طور پر 1) آمدنی اور تعلیم (پیش گوئی) اور پڑوس کے انتخاب (پیش گوئی) کے درمیان تعلق کیا ہے. اور 2) انفرادی پیشن گوئی میں سے ہر ایک کو کیا تعلق ہے اس تعلقات میں شراکت؟
- مرحلہ وار ایک سے زیادہ رجفریشن ایک مکمل طور پر مختلف سوال کا جواب دیتا ہے. ایک مرحلے وار ریگریشن الگورتھم کا تجزیہ کرے گا کہ پیشن گوئی بہتر طور پر پڑوس کے انتخاب کی پیروی کرنے کے لئے استعمال کیا جاتا ہے - مطلب یہ ہے کہ مرحلہ وار ماڈل پیش گوئی متغیرات کی اہمیت کا احترام کرتا ہے اور پھر متعلقہ ذیلی سیٹ کا انتخاب کرتا ہے. رجائپ مساوات کو فروغ دینے کے لئے اس قسم کا رجحان مسئلہ "قدم" کا استعمال کرتا ہے. اس قسم کی رجعت کو دیکھتے ہوئے، تمام پیشن گوئی حتمی رجریشن مساوات میں بھی ظاہر نہیں ہوسکتے ہیں.
- پائیدارک ریگریشن ، قدمی کی طرح، ایک ترتیب عمل ہے، لیکن پیش گوئی متغیر پیشگی میں بیان کردہ پہلے سے مقرر کردہ آرڈر میں ماڈل میں درج کی جاتی ہے، یعنی الگورتھم میں ترتیب کا تعین کرنے کے لئے مساوات کی بلٹ میں سیٹ نہیں ہے جس میں پیش گوئی درج کریں. یہ اکثر اکثر استعمال کیا جاتا ہے جب انفرادی رجعت مساوات کی تشکیل میدان کے ماہر علم ہے.
- مقررہ رجفریشن بھی قدمی کی طرح ہی ہے لیکن انفرادی متغیروں کے بجائے متغیرات کا تعین کرتا ہے.