लीस्ट स्क्वेयर्स विधि: सर्वश्रेष्ठ फिट रेखा कैसे खोजें

कल्पना कीजिए कि आप फ्लोर एरिया के आधार पर घरों की कीमतों का अनुमान लगाना चाहते हैं। आपके पास हाल की बिक्री से डेटा बिंदु हैं, लेकिन वे एकदम सटीक पैटर्न नहीं बनाते। कुछ घर अपेक्षा से अधिक में बिकते हैं, और कुछ कम में। ऐसे में व्यक्तिगत घरों की वजह से आपका अनुमान न बिगड़े, इसके लिए आकार और कीमत के बीच समग्र संबंध को दर्शाने वाली सर्वश्रेष्ठ प्रवृत्ति रेखा आप कैसे पाएंगे?

लीस्ट स्क्वेयर्स विधि शायद वही समाधान है जिसकी आपको जरूरत है। इस लेख में, हम लीस्ट स्क्वेयर्स विधि की मुख्य अवधारणाओं, उसके रूपांतरों, और अनुप्रयोगों की पड़ताल करेंगे। अंत तक, आपके पास इस विधि का उपयोग करने और इसे वास्तविक समस्याओं पर लागू करने की ठोस समझ होगी।

लीस्ट स्क्वेयर्स विधि क्या है?

लीस्ट स्क्वेयर्स विधि एक सांख्यिकीय तकनीक है जिसका उपयोग डेटा बिंदुओं के एक सेट के लिए सर्वश्रेष्ठ-फिट रेखा या वक्र निर्धारित करने के लिए किया जाता है। यह किसी डेटासेट में अवलोकित और अनुमानित मानों के बीच वर्गानुपाती अंतरों को न्यूनतम करके काम करती है। वास्तविक डेटा बिंदुओं और मॉडल द्वारा अनुमानित मानों के बीच के अंतर को अवशेष (residuals) कहा जाता है। लक्ष्य ऐसे मॉडल को खोजना है जो इन वर्ग अवशेषों के योग को न्यूनतम करे, ताकि यथासंभव सटीक पूर्वानुमान मिल सकें।

ऊपर दिया गया आरेख लीस्ट स्क्वेयर्स विधि के चरणों का संक्षिप्त स्पष्टीकरण देता है।

यह विधि 1795 में 18 वर्षीय कार्ल फ़्रेडरिक गौस द्वारा विकसित की गई थी (आप उनका नाम Gaussian वितरण से पहचानते होंगे)। बाद में, 1805 में, ऐड्रियन-मैरी लेजांद्र ने इस तकनीक का औपचारिक रूप दिया और सबसे पहले एक क्षुद्रग्रह की कक्षा का पुनर्निर्माण करने के लिए लीस्ट स्क्वेयर्स विधि पर आधारित शोधपत्र लिखा।

लीस्ट स्क्वेयर्स विधि कैसे काम करती है

लीस्ट स्क्वेयर्स विधि अवलोकित और अनुमानित मानों के बीच के वर्गानुपाती अंतरों के योग को न्यूनतम करके उन बिंदुओं के सेट के लिए सबसे उपयुक्त रेखा खोजती है। इसका उपयोग मॉडल के ऐसे पैरामीटर खोजने में होता है जो सबसे नज़दीकी फिट देते हैं।

आइए इसे एक बहुत छोटे डेटासेट—सिर्फ 10 बिंदुओं—से आजमाते हैं। पहले, हमें अपने डेटा पर फिट करने के लिए एक मॉडल चुनना होगा। इस सरल उदाहरण के लिए, हम साधारण रैखिक प्रतिगमन चुनेंगे, यानी हम ऐसा प्रतिगमन कर रहे हैं जिसमें ठीक एक स्वतंत्र और एक आश्रित चर है।

ऊपर का ग्राफ़ हमारे छोटे डेटासेट का प्लॉट है, जिसके ऊपर रैखिक प्रतिगमन अंकित है। पीली डॉटेड रेखाएँ, जो डेटा बिंदुओं को अनुमानित रेखा से जोड़ती हैं, अवशेष हैं। लक्ष्य उन पीली डॉटेड अवशेष रेखाओं को न्यूनतम करने वाला रैखिक प्रतिगमन मॉडल खोजना है।

हमारे डेटासेट के प्रत्येक डेटा बिंदु के लिए, हमें डेटा बिंदु और रेखा के बीच y-निर्देशांकों का अंतर निकालना होगा। यही हमारे अवशेष होंगे। फिर हम प्रत्येक अवशेष का वर्ग करते हैं ताकि किसी भी ऋणात्मक संख्या को हटाया जा सके और कुल योग लेते हैं। इससे हमें पता चलेगा कि हमारी रेखा हमारे डेटा पर कितनी अच्छी तरह फिट बैठती है। हमारे विशिष्ट ग्राफ़ के लिए नीचे दी गई तालिका में इसका ब्यौरा देखें।

X-निर्देशांक	अवलोकित Y-निर्देशांक (डेटा बिंदु)	अनुमानित Y-निर्देशांक (रेखा)	अवशेष (Observed - Predicted)	वर्ग अवशेष
0	2.5	2.0	0.5	0.25
1	3.1	2.3	0.8	0.64
2	1.8	2.6	-0.8	0.64
3	3.5	2.9	0.6	0.36
4	2.2	3.2	-1.0	1.0
5	4.0	3.5	0.5	0.25
6	3.8	3.8	0.0	0.0
7	5.0	4.1	0.9	0.81
8	4.5	4.4	0.1	0.01
9	5.2	4.7	0.5	0.25
वर्ग अवशेषों का योग				4.21

अब जब हमें अंदाजा हो गया है कि यह रेखा हमारे डेटा पर कितनी अच्छी तरह फिट बैठती है, तो हम रेखा के पैरामीटर—या तो ढाल (slope) या प्रतिच्छेद (intercept)—को थोड़ा बदलकर अपनी गणनाएँ दोबारा चला सकते हैं। जिस रेखा के वर्ग अवशेषों का योग सबसे कम होगा, वही रेखा हमारे डेटा के लिए सर्वश्रेष्ठ फिट होगी। इसलिए, वही रेखा हमें सबसे बेहतर पूर्वानुमान देगी।

सर्वश्रेष्ठ रेखा खोजने के लिए लीस्ट स्क्वेयर्स विधि का उपयोग

ऊपर के उदाहरण में, हमने सर्वश्रेष्ठ फिट रेखा नहीं निकाली थी। हमने सिर्फ यह गणना की थी कि वह रेखा डेटा पर कितनी अच्छी तरह फिट बैठती है। अब हम संभावित कई रेखाओं पर यह वही गणना दोहराकर सर्वश्रेष्ठ फिट ढूंढ सकते हैं। या थोड़ी-सी बीजगणित का सहारा लेकर तेज़ी से सर्वश्रेष्ठ रेखा निकाल सकते हैं। आइए, वही करते हैं।

हम रैखिक प्रतिगमन के समीकरण से शुरू करेंगे: y=mx+b, जहाँ b y-इंटरसेप्ट है और m ढाल है। अब कुछ डेटा मान मान लेते हैं।

X-निर्देशांक	Y-निर्देशांक
0	2.5
1	3.1
2	1.8
3	3.5
4	2.2
5	4.0
6	3.8
7	5.0
8	4.5
9	5.2

सबसे पहले, हमें X और Y मानों का औसत निकालना होगा। ये हमारे अनुमानित मान के रूप में काम करेंगे:

इसके बाद, हम प्रत्येक डेटा बिंदु और हमारे अनुमानित मान (औसत) के बीच अवशेषों के वर्गों के योग का उपयोग ढाल निकालने के लिए कर सकते हैं। हम जिस समीकरण का उपयोग करेंगे, वह यह है:

चूँकि यह हाथ से करने के लिए काफी जटिल समीकरण है, हम अंश और हर को अलग-अलग निकालेंगे। चलिए अंश से शुरू करते हैं:

x_i	y_i	x_i - x_mean	y_i - y_mean	(x_i - x_mean)(y_i -y_mean)
0	2.5	-4.5	-1.06	4.77
1	3.1	-3.5	-0.46	1.61
2	1.8	-2.5	-1.76	4.40
3	3.5	-1.5	-0.06	0.09
4	2.2	-0.5	-1.36	0.68
5	4.0	0.5	0.44	0.22
6	3.8	1.5	0.24	0.36
7	5.0	2.5	1.44	3.60
8	4.5	3.5	0.94	3.29
9	5.2	4.5	1.64	7.38
Σ (x_i - x_mean)(y_i - y_mean)				26.4

अब हर के लिए भी यही करते हैं:

x_i	x_i - x_mean	(x_i - x_mean)²
0	-4.5	20.25
1	-3.5	12.25
2	-2.5	6.25
3	-1.5	2.25
4	-0.5	0.25
5	0.5	0.25
6	1.5	2.25
7	2.5	6.25
8	3.5	12.25
9	4.5	20.25
Σ (x_i - x_mean)²		82.50

अब हम अपनी सर्वश्रेष्ठ फिट रेखा के लिए ढाल निकाल सकते हैं।

तो अब हमें उस रेखा की ढाल पता है जो हमारे डेटा को सबसे अच्छा फिट करेगी। अगला कदम y-इंटरसेप्ट खोजना है। इंटरसेप्ट b का सूत्र थोड़ी-सी बीजगणितीय फेरबदल से आसानी से मिल जाता है:

चूँकि हमें ढाल पहले से ही पता है, हम अपने x और y के औसत मान रखकर b निकाल सकते हैं।

अब जबकि हमारे पास m और b दोनों हैं, हम सर्वश्रेष्ठ-फिट रेखा का समीकरण लिख सकते हैं:

लीस्ट स्क्वेयर्स विधि ने हमें तेज़ी और आसानी से सर्वश्रेष्ठ रैखिक प्रतिगमन रेखा निकालने दी—वह भी हाथ से! जाहिर है, जैसे-जैसे डेटा बढ़ेगा, हाथ से करना कठिन होता जाएगा। सौभाग्य से, क्योंकि गणित सीधा-सादा है, इसे Python या R में लागू करना बहुत सरल है। इसे विस्तार से करने के तरीकों के लिए, Essentials of Linear Regression in Python और How to Do Linear Regression in R देखें।

लीस्ट स्क्वेयर्स विधि की गणितीय नींव

ऊपर, हमने साधारण रैखिक प्रतिगमन का उदाहरण लिया और सुव्यवस्थित (closed-form) समीकरणों से ढाल और प्रतिच्छेद निकाला, और हमने आश्रित चर को स्वतंत्र चर का फलन माना: y=mx+b।

हालाँकि, ऊपर दिखाए गए समीकरण तभी काम करते हैं जब आपके पास एक ही स्वतंत्र चर हो। प्रतिगमन के गुणांक खोजने का एक और तरीका जिसे नॉर्मल इक्वेशन कहते हैं, का उपयोग करना है, जो लीस्ट स्क्वेयर्स समस्या का मैट्रिक्स-आधारित समाधान देता है। नॉर्मल इक्वेशन उस मैट्रिक्स समीकरण को संदर्भित करता है जो लीस्ट स्क्वेयर्स विधि से वर्ग अवशेषों के योग को न्यूनतम करने पर प्राप्त होता है। ज्यामितीय रूप से, और रैखिक बीजगणित की भाषा में, लीस्ट स्क्वेयर्स हल को पर्यवेक्षित डेटा वेक्टर का मॉडल मैट्रिक्स के कॉलम स्पेस पर लम्ब प्रक्षेप (orthogonal projection) के रूप में देखा जा सकता है। सरल शब्दों में, इसका मतलब है कि त्रुटियों को इस तरह न्यूनतम किया जाता है कि मॉडल की बाधाओं के भीतर अनुमानित मान अवलोकित डेटा के यथासंभव करीब हों।

जहाँ मैट्रिक्स उलटनीय (invertible) नहीं होता (अर्थात समीकरणों की प्रणाली का एकल समाधान नहीं होता), वहाँ Moore-Penrose छद्म-व्युत्क्रम (pseudoinverse) लीस्ट स्क्वेयर्स समाधान निकालने का तरीका देता है। इससे हमें उन स्थितियों को संभालने की लचीलापन मिलता है जहाँ प्रणाली अधिनिर्धारित (unknowns अधिक, समीकरण कम) या अति-निर्धारित (समीकरण अधिक, unknowns कम) हो।

यदि आपको मैट्रिक्स बीजगणित की ताज़गी चाहिए, तो मैं Linear Algebra for Data Science in R पाठ्यक्रम की अनुशंसा करता/करती हूँ।

लीस्ट स्क्वेयर्स विधियों के प्रकार

अब तक, हमने साधारण लीस्ट स्क्वेयर्स एस्टीमेटर के साथ लीस्ट स्क्वेयर्स विधि के उपयोग की ही बात की है। हालाँकि, यह एक बहुमुखी औज़ार है जिसे आपकी समस्या की प्रकृति के अनुसार कई परिदृश्यों में ढाला जा सकता है। आइए लीस्ट स्क्वेयर्स विधि के कुछ प्रकार, उनकी विशेषताएँ और उनके व्यावहारिक उपयोग देखें।

रैखिक लीस्ट स्क्वेयर्स

इस बिंदु तक, आप रैखिक लीस्ट स्क्वेयर्स (जिसे ordinary least squares भी कहा जाता है) से काफी परिचित हो जाने चाहिए। यह उन मॉडलों के साथ उपयोग होता है जिनके गुणांक रैखिक होते हैं, जैसे साधारण या मल्टिपल रैखिक प्रतिगमन। लक्ष्य ऐसी रेखा (या मल्टिपल रैखिक प्रतिगमन के मामले में हाइपरप्लेन) खोजना है जो वर्ग अवशेषों के योग को न्यूनतम करे।

इस प्रकार के लीस्ट स्क्वेयर्स में मान लिया जाता है कि अवशेषों का प्रसरण (variance) स्थिर है और डेटा में कोई बड़े आउट्लायर नहीं हैं। इसे उन अधिकांश स्थितियों में लागू किया जा सकता है जहाँ संबंध रैखिक हो। उदाहरण के लिए, गर्भधारण की अवधि और जन्म-वजन के बीच संबंध, या विज्ञापन खर्च और बिक्री राजस्व के बीच संबंध। यही वह प्रकार है जिसका मैं सबसे अधिक उपयोग करता/करती हूँ और दूसरों को भी इसी की चर्चा करते सुनता/सुनती हूँ।

वेटेड लीस्ट स्क्वेयर्स

वेटेड लीस्ट स्क्वेयर्स इस विधि का एक विस्तार है जो तब काम करता है जब अवशेषों का प्रसरण स्थिर नहीं होता। प्रत्येक डेटा बिंदु को वज़न देकर, वेटेड लीस्ट स्क्वेयर्स कम प्रसरण वाले अवलोकनों को अधिक महत्व देता है। इसका समीकरण पिछले सम-ऑफ-स्क्वेयर्स जैसा ही है, लेकिन प्रत्येक अवशेष पर एक वज़न (w_i) लगाया जाता है:

यह विधि उन डेटासेट्स के लिए उपयोगी है जहाँ मापन त्रुटि अवलोकनों के बीच बदलती है, जैसे सेंसर कैलिब्रेशन में। वज़न आम तौर पर प्रत्येक अवलोकन के प्रसरण के व्युत्क्रमानुपाती होते हैं।

रोबस्ट लीस्ट स्क्वेयर्स

रोबस्ट लीस्ट स्क्वेयर्स उन डेटासेट्स के लिए बनाया गया है जिनमें आउट्लायर होते हैं, जो साधारण लीस्ट स्क्वेयर्स के परिणामों को असंगत रूप से प्रभावित कर सकते हैं। यह आउट्लायर के प्रभाव को घटाने के लिए आवृतिमूलक (iterative) री-वेटिंग तकनीकों का उपयोग करता है।

रोबस्ट लीस्ट स्क्वेयर्स में, आप लीस्ट एब्सोल्यूट रेसिडुअल्स (LAR) या बाइस्क्वेयर वेट्स जैसी विधियाँ उपयोग कर सकते हैं ताकि वज़नों को बार-बार समायोजित कर आउट्लायर के प्रभाव को कम किया जा सके।

उदाहरण के लिए, वित्तीय मॉडलिंग में इसका उपयोग तब किया जा सकता है जब आप चरम बाजार गिरावटों का हिसाब रखना चाहते हैं। यदि आपके डेटासेट में आप आउट्लायर हटाना नहीं चाहते, पर उनका प्रभाव नियंत्रित रखना चाहते हैं, तो रोबस्ट लीस्ट स्क्वेयर्स उपयुक्त राह हो सकती है।

नॉनलाइनियर लीस्ट स्क्वेयर्स

लीस्ट स्क्वेयर्स सिर्फ रैखिक प्रतिगमनों के लिए नहीं है। नॉनलाइनियर लीस्ट स्क्वेयर्स का उपयोग तब होता है जब आपका मॉडल अपने गुणांकों में नॉनलाइनियर हो। यह रैखिक लीस्ट स्क्वेयर्स से अधिक जटिल होता है और सर्वश्रेष्ठ फिट खोजने के लिए आवृतिमूलक अनुकूलन तकनीकों (जैसे Gauss–Newton या Levenberg–Marquardt) की आवश्यकता पड़ सकती है।

नॉनलाइनियर लीस्ट स्क्वेयर्स के साथ सावधानी बरतना महत्वपूर्ण है। गणना आरंभिक पैरामीटर अनुमानों और अभिसरण (convergence) संबंधी मुद्दों के प्रति संवेदनशील हो सकती है। जिन स्थितियों में आप इसका उपयोग कर सकते हैं उनके उदाहरण हैं—संक्रमण के दौरान शरीर में वायरस की घातीय वृद्धि का मॉडलिंग, या प्रयोगशाला में रासायनिक अभिक्रिया दरों का मॉडलिंग।

टोटल लीस्ट स्क्वेयर्स

अब तक, हम मुख्यतः उन स्थितियों की बात कर रहे थे जहाँ केवल आश्रित चर में त्रुटियाँ होती हैं। और हम अपने मॉडल और डेटा के बीच ऊर्ध्वाधर दूरी को न्यूनतम कर रहे थे। लेकिन यदि आपके स्वतंत्र मापों में भी त्रुटियाँ हों तो?

टोटल लीस्ट स्क्वेयर्स तब उपयोगी होता है जब स्वतंत्र और आश्रित दोनों चर में मापन त्रुटियाँ हों। यह विधि सभी चरों में त्रुटियों का हिसाब रखती है। यह विशेष रूप से खगोलशास्त्र और जियोडेज़ी (पृथ्वी के आकार और गुरुत्व क्षेत्र का मापन) जैसे क्षेत्रों में उपयोगी है, जहाँ अत्यधिक सटीकता की आवश्यकता के कारण सभी आयामों में मापन त्रुटियाँ उपस्थित होती हैं। टोटल लीस्ट स्क्वेयर्स का अक्सर सिंगुलर वैल्यू डीकंपोज़िशन के साथ उपयोग किया जाता है।

जनरलाइज़्ड लीस्ट स्क्वेयर्स

जनरलाइज़्ड लीस्ट स्क्वेयर्स, अवशेषों में सहसंबंध से उत्पन्न चुनौतियों का समाधान करने के लिए लीस्ट स्क्वेयर्स विधि का एक विस्तार है। इसमें, हम डेटा को ऐसे रूप में रूपांतरित करते हैं जहाँ ऑर्डिनरी लीस्ट स्क्वेयर्स लागू हो सके। यह रूपांतरण अवशेषों के सह-प्रसरण (covariance) मैट्रिक्स का उपयोग करके उनके सहसंबंध ढांचे का हिसाब रखता है, जिससे पैरामीटर अनुमानों की सटीकता बढ़ती है।

यह विशेष रूप से टाइम सीरीज़ विश्लेषण जैसी स्थितियों में उपयोगी है, जहाँ अवशेष आत्म-सहसंबंध (autocorrelation) दिखा सकते हैं।

लीस्ट स्क्वेयर्स विधि के अनुप्रयोग

लीस्ट स्क्वेयर्स विधि एक व्यापक रूप से प्रयुक्त सांख्यिकीय तकनीक है, जिसके अनेक क्षेत्रों में अनुप्रयोग हैं।

सांख्यिकी और डेटा विज्ञान में, लीस्ट स्क्वेयर्स का उपयोग ज्ञात इनपुट के आधार पर भविष्यवाणी करने के लिए रैखिक और नॉनलाइनियर प्रतिगमन मॉडल बनाने में होता है। यह रुझान विश्लेषण, खासकर समय-श्रृंखला डेटा में, के लिए भी उपयोगी है।

वित्त में, लीस्ट स्क्वेयर्स का उपयोग स्टॉक प्रदर्शन विश्लेषण में होता है, जिससे किसी स्टॉक के प्रदर्शन और बाज़ार सूचकांकों के बीच संबंध ज्ञात किया जाता है। उदाहरण के लिए, इसका उपयोग किसी स्टॉक की बाज़ार हलचलों के प्रति संवेदनशीलता निकालने में किया जा सकता है। यह जोखिम मॉडलिंग में भी सहायक है, जहाँ ऐतिहासिक वित्तीय डेटा पर मॉडल फिट कर जोखिम और रिटर्न का आकलन किया जाता है।

इंजीनियर लीस्ट स्क्वेयर्स का उपयोग सेंसर कैलिब्रेशन में करते हैं ताकि अवलोकित डेटा पर मॉडल फिट करके मापन त्रुटियों को न्यूनतम किया जा सके। इसका उपयोग सिग्नल प्रोसेसिंग में भी फिल्टरिंग और शोर-न्यूनन के लिए होता है, जिससे डेटा की व्याख्या अधिक स्पष्ट होती है।

स्वाभाविक रूप से, लीस्ट स्क्वेयर्स की शुरुआत खगोलशास्त्र से हुई; इसका पहला उपयोग कार्ल फ़्रेडरिक गौस ने क्षुद्रग्रह सीरीस की कक्षा का अनुमान लगाने के लिए किया था। जियोडेज़ी में भी इसका उपयोग अवलोकित डेटा के आधार पर पृथ्वी के आकार का मॉडलिंग करने में होता है, जो सटीक भौगोलिक मापों के लिए आवश्यक है।

यदि आपने मशीन लर्निंग में हाथ आजमाया है, तो आप लीस्ट स्क्वेयर्स विधि को रैखिक प्रतिगमन मॉडलों के प्रशिक्षण के दौरान लॉस फंक्शन को न्यूनतम करने के एक तरीके के रूप में पहचानेंगे। आपने इसे फ़ीचर चयन के दौरान भी उपयोग किया होगा ताकि मॉडल में सबसे महत्वपूर्ण चरों की पहचान की जा सके।

इसका कई अन्य कठोर विज्ञानों—जैसे भौतिकी और रसायन—में भी योगदान है। यह प्रायोगिक डेटा पर वक्र फिट करने, जैसे अभिक्रिया दरें या भौतिक माप, और प्रायोगिक सेटअप में त्रुटियों को न्यूनतम करने में सहायक है।

लीस्ट स्क्वेयर्स विधि एक बहुउद्देश्यीय सांख्यिकीय औज़ार है। व्यक्तिगत रूप से, मैंने इस विधि का उपयोग प्रेशर सेंसर कैलिब्रेट करने, अपने प्रायोगिक डेटा पर आधारित पूर्वानुमान लगाने, और मशीन लर्निंग प्रशिक्षण के दौरान किया है। संबंधों को विश्वसनीय रूप से मॉडल करना और त्रुटियों को न्यूनतम करना कई अलग-अलग विषयों के लिए मूल्यवान विशेषता है।

अनुमान और डायग्नॉस्टिक्स

लीस्ट स्क्वेयर्स विधि आपके डेटा और उपयोग किए जा रहे मॉडल के बारे में कुछ मुख्य अनुमान लगाती है। इन अनुमानों को समझना महत्वपूर्ण है, क्योंकि इनके उल्लंघन से पक्षपाती या अविश्वसनीय परिणाम मिल सकते हैं। तो, आइए इन अनुमानों, साथ ही संभावित समस्याओं का निदान और समाधान कैसे करें, इस पर चर्चा करें।

एक अनुमान त्रुटियों की स्वतंत्रता है, यानी अवशेषों में परस्पर सहसंबंध नहीं होना चाहिए। यदि त्रुटियाँ एक-दूसरे से सहसंबद्ध हैं, खासकर क्रमिक या स्थानिक डेटा में, तो आकलन विकृत हो सकते हैं। Durbin-Watson परीक्षण अवशेषों में आत्म-सहसंबंध का पता लगा सकता है, विशेषकर समय-निर्भर डेटासेट्स में। यदि सहसंबंध मिले, तो आप उसका हिसाब रखने के लिए जनरलाइज़्ड लीस्ट स्क्वेयर्स का उपयोग कर सकते हैं।

एक और अनुमान यह है कि अवशेषों का प्रसरण स्वतंत्र चर के सभी स्तरों पर स्थिर रहता है। यदि फिटेड मानों के विरुद्ध प्लॉट करने पर अवशेष फ़नल-आकार का फैलाव दिखाते हैं, तो यह अनुमान संभवतः टूट रहा है। इस समस्या के समाधान के लिए, आप अपने अवलोकनों को उपयुक्त वज़न देने हेतु वेटेड लीस्ट स्क्वेयर्स का उपयोग कर सकते हैं। वैकल्पिक रूप से, आप लघुगणकीय या वर्गमूल जैसे रूपांतरणों का उपयोग कर असमान प्रसरण को स्थिर कर सकते हैं और heteroscedasticity की किसी भी समस्या को ठीक कर सकते हैं।

सभी मॉडलिंग की तरह, यह जरूरी है कि संरचना चरों के बीच मौजूद अंतर्निहित संबंध को परिलक्षित करे। यदि ऐसा नहीं होता, तो आपका फिट कितना भी अनुकूलित क्यों न हो; परिणाम भ्रामक ही होंगे। अवशेष प्लॉट और R^² जैसे गुडनेस-ऑफ-फिट मेट्रिक्स मदद कर सकते हैं यह आकलन करने में कि आपके चुने हुए मॉडल ने डेटा में पैटर्न को पकड़ा है या नहीं।

मानक लीस्ट स्क्वेयर्स विधि मानती है कि स्वतंत्र चर त्रुटिरहित मापे गए हैं। इसलिए आपके स्वतंत्र माप की परिशुद्धता जानना महत्वपूर्ण है। आपको संग्रहण विधियों को देखकर इस माप की परिशुद्धता का अंदाजा होना चाहिए। यदि आपके भविष्यवक्ता (predictor) में मापन त्रुटियाँ मौजूद हैं, तो कृपया अपनी मॉडलिंग में अशुद्धियों को कम करने के लिए टोटल लीस्ट स्क्वेयर्स का उपयोग करें।

अंत में, अवशेष त्रुटियों का वितरण विशेष रूप से परिकल्पना परीक्षण और विश्वास अंतराल के आकलन में महत्वपूर्ण भूमिका निभाता है। लीस्ट स्क्वेयर्स मानता है कि त्रुटियाँ सामान्य (Gaussian) वितरण का पालन करती हैं, और सामान्यता से विचलन अनुमान-आधारित निष्कर्षों को प्रभावित कर सकता है। हिस्टोग्राम और Q-Q प्लॉट से आंका जा सकता है कि अवशेष अपेक्षित वितरणों के अनुरूप हैं या नहीं। यदि सामान्यता से महत्वपूर्ण विचलन हैं, तो रोबस्ट प्रतिगमन तकनीकें या बूटस्ट्रैपिंग तरीके अधिक विश्वसनीय, आउट्लायर-संवेदी-रहित अनुमान प्रदान कर सकते हैं।

लीस्ट स्क्वेयर्स के लाभ और सीमाएँ

लीस्ट स्क्वेयर्स विधि डेटा विश्लेषण में व्यापक रूप से प्रयुक्त औज़ार है। लेकिन इसका अर्थ यह नहीं कि हर डेटासेट के लिए इसी का उपयोग होना चाहिए।

लीस्ट स्क्वेयर्स विधि के कई लाभ हैं। इसे, खासकर रैखिक मॉडलों के लिए, गणना करना काफ़ी आसान है। यह तकनीकी और गैर-तकनीकी दोनों तरह के श्रोताओं के लिए आसानी से व्याख्यायित की जा सकती है। साथ ही, वेटेड, रोबस्ट और नॉनलाइनियर प्रतिगमन जैसे अलग-अलग रूप इसे अत्यंत बहुमुखी बनाते हैं। और महत्वपूर्ण रूप से, इसका मजबूत सैद्धांतिक आधार Gauss-Markov प्रमेय से मिलता है। यह सब लीस्ट स्क्वेयर्स को अर्थशास्त्र से लेकर इंजीनियरिंग तक के क्षेत्रों में व्यापक रूप से लागू और उपयोगी बनाता है।

हालाँकि, यह विधि आउट्लायर के प्रति संवेदनशील है, जो मॉडल के परिणामों को असंगत रूप से प्रभावित कर सकते हैं। यह यह भी मानती है कि प्रेडिक्टर्स में त्रुटियाँ नहीं हैं, जो वास्तविक दुनिया के डेटा में सही न भी हो। इसके अलावा, लीस्ट स्क्वेयर्स मल्टिकॉलीनियरिटी से सीमित हो सकता है—अर्थात अत्यधिक सहसंबद्ध प्रेडिक्टर्स अस्थिर गुणांकों और इसलिए अविश्वसनीय अनुमानों की ओर ले जा सकते हैं। यह अवशेषों के स्थिर प्रसरण की भी शर्त रखता है, जो हर समय पूरी नहीं होती।

अपनी परिस्थिति में लीस्ट स्क्वेयर्स विधि को सर्वोत्तम औज़ार मानने से पहले अपने डेटासेट और लक्ष्य का बारीकी से परीक्षण करना आवश्यक है।

लाभ	सीमाएँ
गणना में सरलता	आउट्लायर के प्रति संवेदनशील
व्याख्येयता	प्रेडिक्टर्स में त्रुटि-रहित होने का अनुमान
विस्तृत उपयोगिता	मल्टिकॉलीनियरिटी में सीमित
मजबूत सैद्धांतिक आधार	स्थिर प्रसरण का अनुमान

निष्कर्ष

लीस्ट स्क्वेयर्स विधि किसी भी डेटा विश्लेषक के लिए एक बुनियादी औज़ार है। अपने डेटा के लिए सर्वश्रेष्ठ फिट खोजकर, हम अधिक सटीक पूर्वानुमान लगा सकते हैं और अधिक सूक्ष्म रुझानों को पहचान सकते हैं।

यूक्लिडीयन स्पेस में सीधी रेखाओं के माप के बारे में आगे पढ़ने के लिए, हमारा Understanding Euclidean Distance: From Theory to Practice ट्यूटोरियल देखें। साथ ही, वास्तव में विशेषज्ञ बनने के लिए हमारे प्रतिगमन पाठ्यक्रमों में नामांकन अवश्य करें।

लेखक

Amberle McKee

मैं एक पीएचडी हूँ, जिसके पास जैविक अनुसंधान परिवेश में डेटा के साथ काम करने का 13 वर्षों का अनुभव है। मैं Python, MATLAB और R सहित कई प्रोग्रामिंग भाषाओं में सॉफ्टवेयर बनाती/बनाता हूँ। मुझे सीखने के प्रति अपने प्रेम को दुनिया के साथ साझा करने का जुनून है।

FAQs

लीस्ट स्क्वेयर्स विधि क्या है?

लीस्ट स्क्वेयर्स विधि किसी डेटासेट के लिए सर्वश्रेष्ठ-फिट रेखा या वक्र खोजने की सांख्यिकीय तकनीक है। यह अवलोकित और अनुमानित मानों के बीच वर्गानुपाती अंतरों के योग का उपयोग करती है।

अवशेष (residuals) क्या होते हैं?

अवशेष वे अंतर हैं जो अवलोकित मानों और आपके मॉडल द्वारा अनुमानित मानों के बीच होते हैं।

लीस्ट स्क्वेयर्स विधि किसने बनाई?

इसे कार्ल फ़्रेडरिक गौस ने विकसित किया था, जिनके नाम पर Gaussian वितरण का नाम रखा गया है।

क्या लीस्ट स्क्वेयर्स केवल रैखिक संबंधों के लिए उपयोग होता है?

नहीं, लीस्ट स्क्वेयर्स का उपयोग नॉनलाइनियर संबंधों के लिए भी किया जा सकता है।

लीस्ट स्क्वेयर्स किन गणितीय अवधारणाओं का उपयोग करता है?

लीस्ट स्क्वेयर्स मैट्रिक्स बीजगणित पर आधारित है और सर्वश्रेष्ठ फिट खोजने के लिए नॉर्मल इक्वेशन और लम्ब प्रक्षेप (orthogonal projection) का उपयोग करता है।

विषय

डेटा साइंस डेटा विश्लेषण

प्रौद्योगिकियाँ

विषय

लीस्ट स्क्वेयर्स विधि: सर्वश्रेष्ठ फिट रेखा कैसे खोजें

AI के साथ खोजें

लीस्ट स्क्वेयर्स विधि क्या है?

लीस्ट स्क्वेयर्स विधि कैसे काम करती है

सर्वश्रेष्ठ रेखा खोजने के लिए लीस्ट स्क्वेयर्स विधि का उपयोग

लीस्ट स्क्वेयर्स विधि की गणितीय नींव

लीस्ट स्क्वेयर्स विधियों के प्रकार

रैखिक लीस्ट स्क्वेयर्स

वेटेड लीस्ट स्क्वेयर्स

रोबस्ट लीस्ट स्क्वेयर्स

नॉनलाइनियर लीस्ट स्क्वेयर्स

टोटल लीस्ट स्क्वेयर्स

जनरलाइज़्ड लीस्ट स्क्वेयर्स

लीस्ट स्क्वेयर्स विधि के अनुप्रयोग

अनुमान और डायग्नॉस्टिक्स

लीस्ट स्क्वेयर्स के लाभ और सीमाएँ

निष्कर्ष

FAQs

विषय

DataCamp के साथ सीखें

Introduction to Regression in R

Python में statsmodels के साथ Regression परिचय

R में Supervised Learning: Regression

प्रौद्योगिकियाँ

विषय

DataCamp के साथ सीखें

Introduction to Regression in R

Python में statsmodels के साथ Regression परिचय

R में Supervised Learning: Regression