ज्यामितीय माध्य: वृद्धि और चक्रवृद्धि के लिए एक माप

क्या आपने कभी अपनी वार्षिक निवेश प्रतिफल का औसत निकाला है और पाया है कि आपका वास्तविक कुल प्रतिफल उससे मेल नहीं खाता? वित्त में यह सामान्य स्थिति ज्यामितीय माध्य को समझने और लागू करने के महत्व को दर्शाती है – एक उपयोगी माप जो दरों में बदलाव और चक्रवृद्धि प्रभावों से निपटते समय प्रचलित अंकगणितीय माध्य की तुलना में अक्सर अधिक उपयुक्त साबित होता है।

इस ट्यूटोरियल में, हम ज्यामितीय माध्य की अवधारणा और डेटा विश्लेषण में इसकी भूमिका, विशेषकर वित्त, जीवविज्ञान और डेटा साइंस जैसे क्षेत्रों में, की पड़ताल करेंगे। हम उन परिदृश्यों की भी जाँच करेंगे जहाँ यह अन्य केंद्रीय प्रवृत्ति के मापों से बेहतर प्रदर्शन करता है।

ज्यामितीय माध्य क्या है?

ज्यामितीय माध्य औसत का एक प्रकार है जो विशेष रूप से धनात्मक संख्याओं के समुच्चयों के साथ काम करते समय उपयोगी होता है, खासकर जब वे गुणा या घातीय वृद्धि से संबंधित हों। आम अंकगणितीय माध्य, जो संख्याओं को जोड़कर कुल संख्या से भाग देता है, से अलग, ज्यामितीय माध्य गुणात्मक संबंधों या घातीय वृद्धि वाले डेटासेट को संभालने में विशेष रूप से सक्षम है।

यहाँ कुछ क्षेत्र हैं जहाँ ज्यामितीय माध्य मूल्यवान है:

1. वित्त: इसे कई अवधियों में औसत प्रतिफल दरों की गणना के लिए सामान्यतः उपयोग किया जाता है। अंकगणितीय माध्य के विपरीत, ज्यामितीय माध्य चक्रवृद्धि को ध्यान में रखता है, जिससे यह वित्तीय गणनाओं के लिए अधिक सटीक बनता है।
2. जीवविज्ञान: जनसंख्या वृद्धि अध्ययनों में समय के साथ औसत वृद्धि दरों की गणना के लिए उपयोग किया जाता है।
3. ज्यामिति: इसके सबसे सुंदर रूपों में से एक समकोण त्रिभुजों में दिखता है, जहाँ कर्ण पर खींची गई लम्ब उस कर्ण पर बने खंडों का ज्यामितीय माध्य होती है। साथ ही, ज्यामितीय माध्य उस वर्ग की भुजा दर्शाता है जिसका क्षेत्रफल दिए गए आयत के बराबर हो, जिससे आयताकार क्षेत्रों को "वर्ग" करने का एक तरीका मिलता है।

जैसा कि आप देख सकते हैं, ज्यामितीय माध्य रोज़मर्रा की गणनाओं के साथ-साथ अधिक अमूर्त गणितीय अवधारणाओं में भी एक मूल्यवान उपकरण है।

ज्यामितीय माध्य कैसे गणना करें

ज्यामितीय माध्य की गणना करने के कई तरीके हैं, और स्थिति के अनुसार प्रत्येक के अपने फायदे हैं।

ज्यामितीय माध्य का सूत्र

ज्यामितीय माध्य की गणना करने का सबसे सीधा तरीका मानक सूत्र का उपयोग करना है: 

यहाँ x₁, x₂, ..., xₙ डेटासेट की धनात्मक संख्याएँ हैं, और n संख्याओं की गिनती है। ज्यामितीय माध्य प्राप्त करने के लिए हम सभी मानों को आपस में गुणा करते हैं और गुणनफल का nवाँ मूल निकालते हैं, जहाँ n मानों की संख्या है। इसे एक उदाहरण से समझते हैं। संख्याएँ 2, 4 और 8 लें। इनका ज्यामितीय माध्य निकालने के लिए:

1. संख्याओं को गुणा करें: 2 * 4 * 8 = 64
2. घनमूल निकालें (क्योंकि 3 संख्याएँ हैं): ∛64 ≈ 4

2, 4 और 8 का ज्यामितीय माध्य 4 है। यह परिणाम बताता है कि यदि हमारे पास तीन समान संख्याएँ हों, प्रत्येक 4 के बराबर, तो उनका गुणनफल मूल संख्याओं के गुणनफल के समान होगा। मूलतः, 4 सभी तीन मानों में एक समान वृद्धि गुणक है।

लघुगणकों को जोड़कर ज्यामितीय माध्य निकालना

बड़े डेटासेट के लिए या बहुत बड़ी संख्याओं के साथ काम करते समय ओवरफ्लो त्रुटियों से बचने के लिए हम लघुगणक का उपयोग कर सकते हैं। यह विधि गुणा को जोड़ में बदल देती है और गणना को अधिक प्रबंधनीय बनाती है। यहाँ, हम पहले प्रत्येक संख्या का लघुगणक लेते हैं, इन लघुगणकों का अंकगणितीय माध्य निकालते हैं, और फिर इस माध्य का एंटी-लॉग (घातांक) लेते हैं। आइए ऊपर वाले उदाहरण का ही उपयोग करें। 

1. लघुगणक लें (आधार 10): log(2) ≈ 0.3010, log(4) ≈ 0.6021, log(8) ≈ 0.9031
2. अंकगणितीय माध्य निकालें: (0.3010 + 0.6021 + 0.9031) / 3 ≈ 0.6021
3. एंटी-लॉग लें: (10^x) = 10^0.6021 ≈ 4

यह विधि हमें प्रत्यक्ष गणना विधि जैसा ही परिणाम देती है। आप किसी भी आधार के लघुगणक (जैसे आधार e वाले प्राकृतिक लघुगणक) का उपयोग कर सकते हैं, जब तक कि आप गणना के दौरान एक ही आधार का उपयोग करते रहें। अंतिम ज्यामितीय माध्य समान रहेगा।

डेटा साइंस और मशीन लर्निंग में ज्यामितीय माध्य

ज्यामितीय माध्य एक उपयोगी सांख्यिकीय माप है जिसके डेटा साइंस और मशीन लर्निंग में कई महत्वपूर्ण अनुप्रयोग हैं। यहाँ तीन प्रमुख उपयोग के मामले हैं जहाँ ज्यामितीय माध्य मूल्यवान सिद्ध होता है। 

वृद्धि दरें और टाइम सीरीज़ विश्लेषण

डेटा साइंस में, हम अक्सर समय के साथ वृद्धि दरों का विश्लेषण करते हैं, जैसे जनसंख्या गतिशीलता, बाज़ार रुझान, या उपयोगकर्ता अपनाने की दरें। ज्यामितीय माध्य इन स्थितियों के लिए आदर्श है क्योंकि यह वृद्धि की चक्रवृद्धि प्रकृति को सटीक रूप से दर्शाता है। अंकगणितीय माध्य के विपरीत, जो दरों का साधारण औसत निकालता है और इस तथ्य पर विचार नहीं करता कि हर वर्ष की वृद्धि पिछले पर आधारित होती है, ज्यामितीय माध्य इस चक्रवृद्धि प्रभाव को ध्यान में रखता है।

कल्पना करें कि आप पाँच वर्षों में किसी स्टार्टअप के उपयोगकर्ता आधार की वार्षिक वृद्धि दर का विश्लेषण कर रहे हैं: 20%, 15%, 25%, 10% और 30%। यद्यपि अंकगणितीय माध्य (20%) जल्दी मिल सकता है, यह चक्रवृद्धि प्रभाव को नहीं दर्शाता। ज्यामितीय माध्य ((1.20 * 1.15 * 1.25 * 1.10 * 1.30)^(1/5) - 1 ≈ 19.77%) अधिक सटीक औसत वृद्धि दर प्रदान करता है, जिसे यदि हर वर्ष समान रूप से लागू किया जाए, तो वास्तविक भिन्न-भिन्न वृद्धि दरों के समान अंतिम मान प्राप्त होगा।

तिरछे डेटा का सांख्यिकीय विश्लेषण

डेटा साइंस में, हम अक्सर ऐसे डेटासेट से निपटते हैं जो गुणात्मक प्रक्रियाओं के कारण धनात्मक रूप से तिरछे होते हैं, जैसे आय स्तर, जैविक माप, या कुछ वित्तीय संकेतक। ऐसे मामलों में अंकगणितीय माध्य का उपयोग भ्रामक हो सकता है क्योंकि यह चरम मानों (आउटलायर) के प्रति संवेदनशील होता है, जो केंद्रीय प्रवृत्ति के निरूपण को विकृत कर सकता है।

लॉग-नॉर्मल वितरण का अनुसरण करने वाले डेटा से निपटते समय ज्यामितीय माध्य विशेष रूप से उपयोगी है। कारण यह हैं:

• आउटलायर के प्रभाव को कम करता है: ज्यामितीय माध्य अत्यधिक उच्च या निम्न मानों के प्रभाव को घटाता है, जिससे तिरछे डेटा के लिए अधिक प्रतिनिधिक केंद्रीय मान मिलता है।
• गुणात्मक संबंधों को संभालता है: यह उन डेटा के लिए उपयुक्त है जहाँ मान जोड़ के बजाय गुणा से सम्मिलित होते हैं।

एक ऐसे क्षेत्र के घरेलू आय के डेटासेट पर विचार करें जहाँ अधिकांश परिवार $30,000 से $60,000 के बीच कमाते हैं, लेकिन कुछ की आय $1 मिलियन से अधिक है।

• अंकगणितीय औसत आय: यह उच्च-आय वाले आउटलायर से बहुत प्रभावित होगा, जिससे औसत आय अधिकांश लोगों की वास्तविक आय से कहीं अधिक प्रतीत हो सकती है।
• ज्यामितीय औसत आय: यह चरम मानों के प्रभाव को कम करके विशिष्ट आय को अधिक सटीक रूप से दर्शाने वाला केंद्रीय मान प्रदान करता है।

ऐसे मामलों में ज्यामितीय माध्य का उपयोग करके, डेटा वैज्ञानिक केंद्रीय प्रवृत्ति का अधिक सटीक माप प्राप्त कर सकते हैं, जिससे बेहतर अंतर्दृष्टि और अधिक विश्वसनीय विश्लेषण संभव होते हैं। यह विभिन्न क्षेत्रों में तिरछे डेटा वितरण के साथ काम करते समय ज्यामितीय माध्य को एक आवश्यक उपकरण बनाता है।

असंतुलित डेटासेट के लिए मूल्यांकन मेट्रिक्स

वर्गीकरण कार्यों में, हम अक्सर असंतुलित डेटासेट देखते हैं जहाँ कुछ समूहों के उदाहरण अन्य की तुलना में बहुत अधिक होते हैं। ऐसे मामलों में, सटीकता जैसी पारंपरिक मेट्रिक्स भ्रामक हो सकती हैं। यहीं पर Geometric Mean Score, या G-Mean, एक मूल्यवान उपकरण बन जाता है।

G-Mean, वर्ग-वार संवेदनशीलता (रिकॉल) के गुणनफल का मूल है। द्विआधारी वर्गीकरण में, यह संवेदनशीलता और विशिष्टता के गुणनफल का वर्गमूल होता है। बहु-वर्ग समस्याओं में, यह प्रत्येक वर्ग की संवेदनशीलता के गुणनफल का उच्च क्रम का मूल होता है।

G-Mean सभी वर्गों में सटीकता को संतुलित करने का लक्ष्य रखता है, जिससे यह असंतुलित डेटासेट के लिए विशेष रूप से उपयोगी बनता है। हालाँकि, ध्यान देने योग्य है कि जब किसी भी वर्ग की संवेदनशीलता शून्य हो, तो G-Mean अपरिभाषित होता है, जो चरम असंतुलन परिदृश्यों में इसकी प्रयोज्यता सीमित करता है। व्यवहार में, इस सीमा को दूर करने के लिए परिवर्तित संस्करण या वैकल्पिक मेट्रिक्स का उपयोग किया जा सकता है।

देखने के लिए कि मशीन लर्निंग में ज्यामितीय माध्य और अन्य सांख्यिकीय माप कैसे लागू होते हैं, हमारे Machine Learning Scientist with Python करियर ट्रैक का अन्वेषण करें, जो आवश्यक मशीन लर्निंग अवधारणाओं और तकनीकों पर व्यावहारिक अंतर्दृष्टि और हाथों-हाथ अनुभव के साथ गहन पाठ प्रदान करता है।