ਲਾਭ:
- ਰੀਗਰੈਸ਼ਨ ਆਉਟਪੁੱਟ (ਗੁਣਾਕ, ਮਿਆਰੀ ਗਲਤੀ, ਪੀ-ਮੁੱਲ, ਆਰ-ਵਰਗ) ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਪੜ੍ਹਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਿਆਖਿਆ ਦਾ ਆਲੋਚਨਾਤਮਕ ਮੁਲਾਂਕਣ
- ਨੁਕਸਾਨਾਂ ਨੂੰ ਪਛਾਣਨ ਦੀ ਯੋਗਤਾ ਜਿਵੇਂ ਕਿ ਸਬੰਧ-ਕਾਰਨ ਭੇਦ, ਅੰਤ-ਵਿਗਿਆਨਤਾ, ਛੱਡੇ ਗਏ ਵੇਰੀਏਬਲ ਅਤੇ ਜਾਅਲੀ ਰਿਗਰੈਸ਼ਨ, ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕਾਰਨ ਵਾਲੀ ਭਾਸ਼ਾ ਨੂੰ ਰੋਕਣ ਦੀ ਸਮਰੱਥਾ
- ਮਾਡਲ ਸੈਟਅਪ, ਕੋਡ ਅਤੇ ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟ ਡਰਾਫਟਿੰਗ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ, ਮਾਡਲ ਦੀ ਚੋਣ ਅਤੇ ਵਿਆਖਿਆ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਮਨੁੱਖਾਂ 'ਤੇ ਛੱਡ ਕੇ
ਅਰਥ ਮੈਟ੍ਰਿਕਸ ਡੇਟਾ ਦੇ ਨਾਲ ਆਰਥਿਕ ਸਿਧਾਂਤ ਦੀ ਜਾਂਚ ਕਰਨ ਦਾ ਅਨੁਸ਼ਾਸਨ ਹੈ, ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਇਸਦਾ ਮੂਲ ਸਾਧਨ ਹੈ। "ਆਮਦਨ ਵਧਣ ਨਾਲ ਖਪਤ ਕਿੰਨੀ ਵੱਧ ਜਾਂਦੀ ਹੈ?", "ਵਿਆਜ ਅਤੇ ਨਿਵੇਸ਼ ਵਿਚਕਾਰ ਕੀ ਸਬੰਧ ਹੈ?" ਇਹਨਾਂ ਵਰਗੇ ਸਵਾਲਾਂ ਨੂੰ ਰਿਗਰੈਸ਼ਨ ਦੁਆਰਾ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ। AI ਇਸ ਖੇਤਰ ਵਿੱਚ ਬਹੁਤ ਉਪਯੋਗੀ ਅਤੇ ਬਹੁਤ ਖਤਰਨਾਕ ਹੈ: ਇਹ ਮਾਡਲ ਕੋਡ ਅਤੇ ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟਾਂ ਨੂੰ ਸਕਿੰਟਾਂ ਵਿੱਚ ਲਿਖਦਾ ਹੈ, ਪਰ ਆਉਟਪੁੱਟ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਸਮੇਂ ਅਕਸਰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕਾਰਨ ਅਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਟੀਕ ਹੁੰਦਾ ਹੈ। "X ਵਧਦਾ ਹੈ Y" ਵਾਕ ਚੰਗੀ ਤਰ੍ਹਾਂ ਬੋਲਦਾ ਹੈ; ਜਦੋਂ ਕਿ ਜ਼ਿਆਦਾਤਰ ਰਿਗਰੈਸ਼ਨ ਸਿਰਫ ਇੱਕ ਰਿਸ਼ਤੇ ਨੂੰ ਮਾਪਦੇ ਹਨ। ਇਸ ਯੂਨਿਟ ਦਾ ਸੰਖੇਪ ਇਹ ਹੈ: ਮਾਡਲ ਸੈੱਟਅੱਪ, ਕੋਡ ਅਤੇ ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟਿੰਗ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ; ਪਰ ਮਾਡਲ ਦੀ ਚੋਣ, ਕਾਰਣ-ਕਾਰਨ ਨਿਰਣੇ, ਅਤੇ ਵਿਆਖਿਆ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਮਨੁੱਖ 'ਤੇ ਰੱਖੋ।
ਰੀਗਰੈਸ਼ਨ ਆਉਟਪੁੱਟ ਪੜ੍ਹਨਾ
ਇੱਕ ਸਧਾਰਨ ਰਿਗਰੈਸ਼ਨ ਦਾ ਆਉਟਪੁੱਟ ਚਾਰ ਚੀਜ਼ਾਂ ਲਈ ਵੇਖਦਾ ਹੈ:
- ਗੁਣਾਂਕ. ਜਦੋਂ ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲ ਇੱਕ ਯੂਨਿਟ ਦੁਆਰਾ ਵਧਦਾ ਹੈ ਤਾਂ ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਕਿੰਨਾ ਬਦਲਦਾ ਹੈ ਇਸਦਾ ਅੰਦਾਜ਼ਾ। ਚਿੰਨ੍ਹ (ਪਲੱਸ/ਮਾਇਨਸ) ਅਤੇ ਵਿਸ਼ਾਲਤਾ ਦਾ ਆਰਥਿਕ ਅਰਥ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਮਿਆਰੀ ਤਰੁੱਟੀ। ਗੁਣਾਂਕ ਅਨੁਮਾਨ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ; ਜੇਕਰ ਇਹ ਛੋਟਾ ਹੈ, ਤਾਂ ਅਨੁਮਾਨ ਵਧੇਰੇ ਸਹੀ ਹੈ।
- p-ਮੁੱਲ। ਗੁਣਾਂਕ ਦੀ ਸੰਭਾਵਨਾ ਇਸ ਧਾਰਨਾ ਦੇ ਅਧੀਨ ਇੰਨੀ ਵੱਡੀ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ ਕਿ ਇਹ "ਅਸਲ ਵਿੱਚ ਜ਼ੀਰੋ" ਹੈ। ਸਮਾਲ ਪੀ (<0.05) ਨੂੰ "ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ" ਕਿਹਾ ਜਾਂਦਾ ਹੈ - ਪਰ ਇਸਦਾ ਅਰਥ ਆਰਥਿਕ ਮਹੱਤਤਾ ਜਾਂ ਕਾਰਣਤਾ ਨਹੀਂ ਹੈ।
- ਆਰ-ਵਰਗ। ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਵਿੱਚ ਕਿੰਨਾ ਬਦਲਾਅ ਮਾਡਲ ਦੱਸਦਾ ਹੈ। ਇੱਕ ਉੱਚ ਆਰ-ਵਰਗ ਦਾ ਮਤਲਬ "ਸਹੀ ਮਾਡਲ" ਨਹੀਂ ਹੈ; ਇਹ ਨਕਲੀ ਪ੍ਰਤੀਕਰਮਾਂ ਵਿੱਚ ਵੀ ਉੱਚਾ ਹੋ ਸਕਦਾ ਹੈ।
ਸੰਕੇਤ: ਅੰਕੜਾਤਮਕ ਮਹੱਤਤਾ ਨੂੰ ਆਰਥਿਕ ਮਹੱਤਤਾ ਨਾਲ ਉਲਝਾਓ ਨਾ। ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਬਹੁਤ ਛੋਟਾ, ਅਮਲੀ ਤੌਰ 'ਤੇ ਮਾਮੂਲੀ ਪ੍ਰਭਾਵ ਵੱਡੇ ਨਮੂਨੇ ਵਿੱਚ "ਮਹੱਤਵਪੂਰਨ" (ਛੋਟਾ ਪੀ) ਬਣ ਸਕਦਾ ਹੈ। ਪਹਿਲਾਂ, "ਕੀ ਇਸ ਗੁਣਾਂਕ ਦਾ ਆਕਾਰ ਆਰਥਿਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਹੈ?" ', ਫਿਰ ਮਹੱਤਤਾ ਦੀ ਭਾਲ ਕਰੋ।
ਸਬੰਧ ਕਾਰਨ ਨਹੀਂ ਹੈ: ਕਲਾਸਿਕ ਨੁਕਸਾਨ
ਇਹ ਅਰਥ ਸ਼ਾਸਤਰ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਚੇਤਾਵਨੀ ਹੈ। ਰਿਗਰੈਸ਼ਨ ਦੁਆਰਾ ਪਾਇਆ ਗਿਆ ਰਿਸ਼ਤਾ ਅਕਸਰ ਕਾਰਣ ਨਹੀਂ ਹੁੰਦਾ। ਮੁੱਖ ਨੁਕਸਾਨ:
- ਛੱਡਿਆ ਵੇਰੀਏਬਲ। ਇੱਕ ਤੀਜਾ ਕਾਰਕ ਜੋ X ਅਤੇ Y ਦੋਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ ਪਰ ਮਾਡਲ ਵਿੱਚ ਨਹੀਂ ਹੈ X ਅਤੇ Y ਵਿਚਕਾਰ ਇੱਕ ਨਕਲੀ ਸਬੰਧ ਬਣਾਉਂਦਾ ਹੈ।
- ਉਲਟਾ ਕਾਰਣਤਾ (ਅੰਤਰਜਨਕਤਾ)। ਹਾਲਾਂਕਿ ਇਹ ਸੋਚਿਆ ਜਾਂਦਾ ਹੈ ਕਿ X Y ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ, ਹੋ ਸਕਦਾ ਹੈ ਕਿ Y X ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ ਜਾਂ ਦੋਵੇਂ ਆਪਸੀ ਹਨ। (ਪੁਲਿਸ ਨੰਬਰ ਅਤੇ ਅਪਰਾਧ: ਕੀ ਪੁਲਿਸ ਵਧੀ ਕਿਉਂਕਿ ਅਪਰਾਧ ਵਧਿਆ ਹੈ?)
- ਸੂਡੋ ਰਿਗਰੈਸ਼ਨ. ਦੋ ਗੈਰ-ਸਥਿਰ (ਰੁਝਾਨ) ਲੜੀ ਉੱਚ ਆਰ-ਵਰਗ ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਗੁਣਾਂਕ ਪੈਦਾ ਕਰ ਸਕਦੀਆਂ ਹਨ ਭਾਵੇਂ ਕਿ ਉਹਨਾਂ ਵਿਚਕਾਰ ਕੋਈ ਅਸਲ ਸਬੰਧ ਨਹੀਂ ਹੈ। ਬਸ ਕਿਉਂਕਿ ਉਹ ਦੋਵੇਂ ਸਮੇਂ ਦੇ ਨਾਲ ਵਧਦੇ ਹਨ.
- ਚੋਣ ਪੱਖਪਾਤ। ਜੇ ਨਮੂਨਾ ਬੇਤਰਤੀਬ ਨਹੀਂ ਹੈ, ਤਾਂ ਰਿਸ਼ਤੇ ਨੂੰ ਤਿੱਖਾ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ।
ਕਾਰਣ-ਕਾਰਨ ਦਾ ਦਾਅਵਾ ਕੇਵਲ ਇੱਕ ਢੁਕਵੇਂ ਡਿਜ਼ਾਈਨ (ਵਿਧੀਆਂ ਜਿਵੇਂ ਕਿ ਨਿਯੰਤਰਿਤ ਪ੍ਰਯੋਗ, ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ, ਯੰਤਰ ਵੇਰੀਏਬਲ, ਅੰਤਰ-ਇਨ-ਫਰਕ) ਅਤੇ ਸਪਸ਼ਟ ਧਾਰਨਾਵਾਂ ਨਾਲ ਸਥਾਪਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਅਕਸਰ ਇਸ ਸੂਖਮਤਾ ਤੋਂ ਖੁੰਝ ਜਾਂਦੀ ਹੈ।
ਸਾਵਧਾਨ: ਜੇਕਰ AI ਕਹਿੰਦਾ ਹੈ "ਇਹ ਵੇਰੀਏਬਲ ਉਸ ਨੂੰ ਵਧਾਉਂਦਾ/ਘਟਾਉਂਦਾ ਹੈ", ਤੁਰੰਤ ਬ੍ਰੇਕ ਲਗਾਓ। ਸਮੱਸਿਆ: ਕੀ ਕੋਈ ਵੇਰੀਏਬਲ ਛੱਡੇ ਗਏ ਹਨ? ਕੀ ਉਲਟ ਕਾਰਣ ਸੰਭਵ ਹੈ? ਕੀ ਲੜੀ ਸਥਿਰ ਹੈ? ਜਦੋਂ ਤੱਕ ਇਹ ਤਿੰਨ ਸਵਾਲ ਨਹੀਂ ਪੁੱਛੇ ਜਾਂਦੇ, ਕੋਈ ਕਾਰਣ ਵਾਕ ਰਿਪੋਰਟ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਹੁੰਦਾ।
ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟ
ਇੱਕ ਰਿਗਰੈਸ਼ਨ ਭਰੋਸੇਯੋਗ ਹੋਣ ਲਈ, ਇਸਦੀਆਂ ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: ਰਹਿੰਦ-ਖੂੰਹਦ ਦਾ ਪੈਟਰਨ (ਗਲਤੀ ਸ਼ਬਦ) (ਸਵੈ-ਸਬੰਧ), ਹੇਟਰੋਸਕੇਡੈਸਟਿਕਟੀ (ਹੀਟਰੋਸਕੈਡੈਸਟਿਕਟੀ), ਮਲਟੀਕੋਲੀਨੀਅਰਿਟੀ (ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲ ਇੱਕ ਦੂਜੇ ਦੇ ਬਹੁਤ ਸਮਾਨ ਹਨ), ਆਮ ਵੰਡ। ਨਕਲੀ ਬੁੱਧੀ ਇਹਨਾਂ ਟੈਸਟਾਂ ਲਈ ਕੋਡ ਲਿਖਦੀ ਹੈ; ਪਰ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ ਅਤੇ ਉਸ ਅਨੁਸਾਰ ਮਾਡਲ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰਨਾ ਅਰਥਸ਼ਾਸਤਰੀ ਦਾ ਕੰਮ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਨਕਲੀ ਰੀਗਰੈਸ਼ਨ। ਇੱਕ ਖੋਜਕਰਤਾ ਨੇ ਦੋ ਰੁਝਾਨ ਲੜੀ (ਇੱਕ ਨਾਮਾਤਰ ਖਰਚ, ਇੱਕ ਨਾਮਾਤਰ ਦੂਜੀ ਮਾਤਰਾ) ਨੂੰ ਪਿੱਛੇ ਛੱਡ ਦਿੱਤਾ; R-ਵਰਗ 0.98 ਸੀ, ਗੁਣਾਂਕ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਸੀ। AI “ਇੱਕ ਮਜ਼ਬੂਤ ਰਿਸ਼ਤਾ ਹੈ,” ਉਸਨੇ ਕਿਹਾ। ਖੋਜਕਰਤਾ ਨੇ ਸਥਿਰਤਾ ਲਈ ਟੈਸਟ ਕੀਤਾ: ਦੋਵੇਂ ਲੜੀਵਾਰ ਗੈਰ-ਸਥਿਰ ਸਨ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਉਹ ਵੱਖ ਹੋ ਗਏ, ਤਾਂ ਰਿਸ਼ਤਾ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਗਾਇਬ ਹੋ ਗਿਆ। ਉੱਚ ਆਰ-ਵਰਗ ਸਿਰਫ਼ ਇਸ ਲਈ ਸੀ ਕਿਉਂਕਿ ਉਹ ਦੋਵੇਂ ਸਮੇਂ ਦੇ ਨਾਲ ਵਧਦੇ ਗਏ ਸਨ। ਜਾਅਲੀ ਰਿਗਰੈਸ਼ਨ ਫੜਿਆ ਗਿਆ।
ਕੇਸ 2 — ਛੱਡਿਆ ਵੇਰੀਏਬਲ। ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਪਾਇਆ ਗਿਆ ਕਿ "ਵਿਗਿਆਪਨ ਖਰਚ ਵਿਕਰੀ ਵਧਾਉਂਦਾ ਹੈ।" ਅਰਥਸ਼ਾਸਤਰੀ ਨੇ ਪੁੱਛਿਆ: ਕੀ ਮਾਡਲ ਵਿੱਚ ਮੌਸਮੀ ਪ੍ਰਭਾਵ ਹੈ? ਉੱਥੇ ਨਹੀਂ ਸੀ। ਛੁੱਟੀ ਤੋਂ ਪਹਿਲਾਂ ਇਸ਼ਤਿਹਾਰਬਾਜ਼ੀ ਅਤੇ ਵਿਕਰੀ ਦੋਵੇਂ ਵਧ ਰਹੇ ਸਨ; ਰਿਸ਼ਤੇ ਦਾ ਹਿੱਸਾ ਮੌਸਮੀ ਸੀ. ਜਦੋਂ ਸੀਜ਼ਨ ਡਮੀ ਵੇਰੀਏਬਲ ਸ਼ਾਮਲ ਕੀਤੇ ਗਏ ਸਨ, ਤਾਂ ਇਸ਼ਤਿਹਾਰਬਾਜ਼ੀ ਦਾ ਗੁਣਾਂਕ ਛੋਟਾ ਹੋ ਗਿਆ ਸੀ। ਕਾਰਨ ਦਾ ਦਾਅਵਾ ਨਰਮ ਕਰ ਦਿੱਤਾ ਗਿਆ ਹੈ।
ਕੇਸ 3 - ਮਹੱਤਵਪੂਰਨ ਪਰ ਮਾਮੂਲੀ। ਇੱਕ ਵੱਡੇ ਮਾਈਕ੍ਰੋਡਾਟਾ ਸੈੱਟ ਵਿੱਚ, ਇੱਕ ਗੁਣਾਂਕ p<0.001 ਸੀ; AI “ਮਜ਼ਬੂਤ ਪ੍ਰਭਾਵ,” ਉਸਨੇ ਕਿਹਾ। ਪਰ ਗੁਣਾਂਕ ਦੀ ਤੀਬਰਤਾ ਅਮਲੀ ਤੌਰ 'ਤੇ ਨਾ-ਮਾਤਰ ਸੀ (ਆਮਦਨੀ ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਤਬਦੀਲੀ ਨੇ ਨਤੀਜਾ ਇੱਕ ਹਜ਼ਾਰਵਾਂ ਹਿੱਸਾ ਲਿਆ)। ਅਰਥਸ਼ਾਸਤਰੀ ਨੇ ਇਸ ਨੂੰ "ਅੰਕੜਾ ਪੱਖੋਂ ਮਹੱਤਵਪੂਰਨ ਪਰ ਆਰਥਿਕ ਤੌਰ 'ਤੇ ਮਾਮੂਲੀ" ਵਜੋਂ ਸਹੀ ਢੰਗ ਨਾਲ ਤਿਆਰ ਕੀਤਾ ਹੈ। ਮਹੱਤਤਾ ਮਹੱਤਵ ਦਾ ਬਦਲ ਨਹੀਂ ਸੀ।
ਟਿੱਪਣੀ ਸੰਚਾਲਨ ਸਾਰਣੀ
ਨਕਲੀ ਬੁੱਧੀ ਕਹਿੰਦੀ ਹੈ
ਅਰਥ ਸ਼ਾਸਤਰੀ ਪੁੱਛਦਾ ਹੈ
"X Y ਵਧਾਉਂਦਾ ਹੈ"
ਛੱਡਿਆ ਵੇਰੀਏਬਲ? ਉਲਟਾ ਕਾਰਣ?
"ਆਰ-ਵਰਗ ਉੱਚਾ ਹੈ, ਮਾਡਲ ਵਧੀਆ ਹੈ"
ਕੀ ਲੜੀ ਸਥਿਰ ਹੈ? ਜਾਅਲੀ ਰਿਗਰੈਸ਼ਨ?
"ਪੀ <0.05, ਮਹੱਤਵਪੂਰਨ"
ਕੀ ਆਕਾਰ ਆਰਥਿਕ ਤੌਰ 'ਤੇ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ?
"ਗੁਣ 0.3"
ਕੀ ਇਸ ਦੇ ਚਿੰਨ੍ਹ ਅਤੇ ਇਕਾਈ ਸਿਧਾਂਤ ਦੇ ਅਨੁਕੂਲ ਹਨ?
"ਰਿਸ਼ਤਾ ਮਜ਼ਬੂਤ ਹੈ"
ਕੀ ਨਮੂਨਾ ਚੋਣ ਪੱਖਪਾਤੀ ਹੈ?
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਮਾਡਲ ਸਥਾਪਨਾ ਸਕੈਚ:
ਮੈਂ ਹੇਠਾਂ ਦਿੱਤੇ ਆਰਥਿਕ ਸਵਾਲ ਦੀ ਜਾਂਚ ਕਰਾਂਗਾ: [ਪ੍ਰਸ਼ਨ]। ਨਿਰਭਰ ਵੇਰੀਏਬਲ: [Y]।ਉਮੀਦਵਾਰ ਵਰਣਨਕਰਤਾ: [X's]। ਮੈਨੂੰ ਇੱਕ ਢੁਕਵਾਂ ਸ਼ੁਰੂਆਤੀ ਰਿਗਰੈਸ਼ਨ ਸੈੱਟਅੱਪ (ਸਟੈਟਸਮੋਡਲ ਕੋਡ) ਦਾ ਸੁਝਾਅ ਦਿਓ। ਦੱਸੋ ਕਿ ਕਿਹੜੇ ਕੰਟਰੋਲ ਵੇਰੀਏਬਲ ਦੀ ਲੋੜ ਹੈ ਅਤੇ ਕਿਉਂ। ਕਾਰਨ ਦਾ ਦਾਅਵਾ ਨਾ ਕਰੋ; ਸਬੰਧ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਕਰੋ।
2) ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟ:
ਮੇਰੇ ਦੁਆਰਾ ਸੈੱਟ ਕੀਤੇ ਗਏ ਰਿਗਰੈਸ਼ਨ ਲਈ ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟਾਂ ਨੂੰ ਕੋਡ ਵਿੱਚ ਲਿਖੋ: ਸਵੈ-ਸੰਬੰਧ, ਵਿਪਰੀਤਤਾ, ਮਲਟੀਕੋਲੀਨੀਅਰਿਟੀ, ਰਹਿੰਦ-ਖੂੰਹਦ ਦਾ ਫੈਲਾਅ, ਅਤੇ ਸਥਿਰਤਾ (ਜੇਕਰ ਇਹ ਸਮਾਂ ਲੜੀ ਹੈ)। ਸੰਖੇਪ ਵਿੱਚ ਲਿਖੋ ਕਿ ਹਰੇਕ ਟੈਸਟ ਦੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਿਵੇਂ ਕਰਨੀ ਹੈ ਅਤੇ ਜੇਕਰ ਸਮੱਸਿਆਵਾਂ ਹਨ ਤਾਂ ਕੀ ਕਰਨਾ ਹੈ।
3) ਕਾਰਣ ਨਿਯੰਤਰਣ:
ਇਸ ਰਿਗਰੈਸ਼ਨ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰੋ, ਪਰ ਪਹਿਲਾਂ ਇਹਨਾਂ ਤਿੰਨ ਕਮੀਆਂ ਦੀ ਜਾਂਚ ਕਰੋ: (1) ਕੀ ਇੱਕ ਛੱਡਿਆ ਗਿਆ ਵੇਰੀਏਬਲ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਕਿਹੜਾ ਇੱਕ, (2) ਉਲਟ ਕਾਰਣ ਸੰਭਵ ਹੈ, (3) ਕੀ ਲੜੀ ਸਥਿਰ ਹੈ / ਕੀ ਨਕਲੀ ਰਿਗਰੈਸ਼ਨ ਦਾ ਖਤਰਾ ਹੈ? ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਦੱਸੋ ਕਿ ਕੀ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਾਰਣ ਵਜੋਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ ਜਾਂ ਸਿਰਫ਼ ਸੰਬੰਧਤ।
4) ਮਹੱਤਵ-ਮਹੱਤਤਾ ਅੰਤਰ:
ਹੇਠਾਂ ਦਿੱਤੇ ਗੁਣਾਂਕ ਦੀ ਵਿਆਖਿਆ ਕਰੋ: ਮੁੱਲ [x], ਮਿਆਰੀ ਗਲਤੀ [y], p-ਮੁੱਲ [z]। ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਅੰਕੜਾ ਮਹੱਤਵ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ, ਆਰਥਿਕ ਮਹੱਤਤਾ ਦਾ ਵੱਖਰੇ ਤੌਰ 'ਤੇ: ਕੀ ਇਸ ਗੁਣਾਂਕ ਦੀ ਵਿਸ਼ਾਲਤਾ ਵਿਹਾਰਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਪ੍ਰਭਾਵ ਹੈ? ਇੱਕ ਉਦਾਹਰਨ ਦ੍ਰਿਸ਼ ਵਿੱਚ ਪ੍ਰਭਾਵ ਦੀ ਤੀਬਰਤਾ ਨੂੰ ਠੋਸ ਕਰੋ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਹਨਾਂ ਵੇਰੀਏਬਲਾਂ ਨਾਲ ਰਿਗਰੈਸ਼ਨ ਕਰੋ ਅਤੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰੋ।
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟ ਕੀਤੇ ਜਾਂ ਸਟੇਸ਼ਨਰੀ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ, ਇੱਕ ਕਾਰਕ ਭਾਸ਼ਾ ਵਿੱਚ ਇਸਦੀ ਵਿਆਖਿਆ ਕਰਦੀ ਹੈ; ਜਾਅਲੀ ਰਿਗਰੈਸ਼ਨ ਜਾਂ ਛੱਡਿਆ ਵੇਰੀਏਬਲ ਖੁੰਝ ਗਿਆ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਖਪਤ ਹੈ, ਵਿਆਖਿਆਤਮਕ ਆਮਦਨ; ਮਾਸਿਕ, ਪ੍ਰਚਲਿਤ ਲੜੀ। ਪਹਿਲਾਂ ਸਥਿਰਤਾ ਦੀ ਜਾਂਚ ਕਰੋ; ਜੇਕਰ ਲੋੜ ਹੋਵੇ ਤਾਂ ਅੰਤਰ ਪ੍ਰਾਪਤ ਕਰੋ। ਰਿਗਰੈਸ਼ਨ ਸੈਟ ਅਪ ਕਰੋ, ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟ ਚਲਾਓ (ਆਟੋਕੋਰਿਲੇਸ਼ਨ, ਹੇਟਰੋਸੈਡੈਸਟਿਕਟੀ)। ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਸਮੇਂ ਛੱਡੇ ਗਏ ਵੇਰੀਏਬਲਾਂ ਅਤੇ ਉਲਟ ਕਾਰਨਾਂ ਦੇ ਜੋਖਮਾਂ ਬਾਰੇ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਚਰਚਾ ਕਰੋ; ਕਾਰਕ ਭਾਸ਼ਾ ਦੀ ਬਜਾਏ ਰਿਲੇਸ਼ਨਲ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਮਹੱਤਤਾ ਅਤੇ ਆਰਥਿਕ ਮਹੱਤਤਾ ਦਾ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਮੁਲਾਂਕਣ ਕਰੋ ਅਤੇ ਹਰੇਕ ਕਦਮ ਲਈ ਕੋਡ ਦਿਓ।
ਆਮ ਗਲਤੀਆਂ
- ਕਾਰਣ ਲਈ ਗਲਤ ਸੰਬੰਧ. ਸਭ ਤੋਂ ਆਮ ਅਤੇ ਸਭ ਤੋਂ ਮਹਿੰਗੀ ਗਲਤੀ.
- ਗੁਣਵੱਤਾ ਲਈ ਇੱਕ ਉੱਚ ਆਰ-ਵਰਗ ਦੀ ਗਲਤੀ. ਇਹ ਨਕਲੀ ਪ੍ਰਤੀਕਰਮਾਂ ਵਿੱਚ ਵੀ ਉੱਚ ਹੈ।
- ਸਟੈਸਿਸ ਜਾਂਚ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ. ਪ੍ਰਚਲਿਤ ਲੜੀਵਾਂ ਨਕਲੀ ਰਿਸ਼ਤੇ ਪੈਦਾ ਕਰਦੀਆਂ ਹਨ।
- ਸਾਰਥਕਤਾ ਨੂੰ ਮਹੱਤਤਾ ਦੇ ਨਾਲ ਉਲਝਾਉਣਾ। ਸਮਾਲ ਪੀ ਦਾ ਮਤਲਬ ਵੱਡਾ ਪ੍ਰਭਾਵ ਨਹੀਂ ਹੈ।
- ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟਾਂ ਨੂੰ ਛੱਡਣਾ। ਉਲੰਘਣਾ ਕੀਤੀ ਧਾਰਨਾ ਪੂਰੇ ਅਨੁਮਾਨ ਨੂੰ ਹਰਾ ਦਿੰਦੀ ਹੈ।
- AI ਦੀ ਕਾਰਕ ਭਾਸ਼ਾ ਨੂੰ ਜਿਵੇਂ ਹੈ ਸਵੀਕਾਰ ਕਰਨਾ। ਨਿਰਣਾ ਮਨੁੱਖ ਦਾ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
ਰਿਗਰੈਸ਼ਨ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪਰ ਖਰਾਬ ਸਾਧਨ ਹੈ। ਰੀਡਿੰਗ ਗੁਣਾਂਕ, ਮਿਆਰੀ ਗਲਤੀ, ਪੀ-ਮੁੱਲ ਅਤੇ ਆਰ-ਵਰਗ ਸਹੀ ਢੰਗ ਨਾਲ; ਸਬੰਧ ਅਤੇ ਕਾਰਨ ਵਿਚਕਾਰ ਅੰਤਰ; ਛੱਡੇ ਗਏ ਵੇਰੀਏਬਲਸ, ਰਿਵਰਸ ਕਾਰਕ, ਅਤੇ ਜਾਅਲੀ ਰਿਗਰੈਸ਼ਨ ਨੁਕਸਾਨਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ; ਮਹੱਤਤਾ ਅਤੇ ਆਰਥਿਕ ਮਹੱਤਤਾ ਵਿੱਚ ਫਰਕ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ। AI ਕੋਡ ਅਤੇ ਡਾਇਗਨੌਸਿਸ ਜਨਰੇਸ਼ਨ ਵਿੱਚ ਤੇਜ਼ ਹੋ ਰਿਹਾ ਹੈ, ਪਰ ਇਹ ਬਹੁਤ ਕਾਰਣ ਬੋਲਦਾ ਹੈ; ਮਾਡਲ ਦੀ ਚੋਣ ਅਤੇ ਕਾਰਣ ਦਾ ਨਿਰਣਾ ਅਰਥਸ਼ਾਸਤਰੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਤੁਹਾਡੇ ਕੋਲ ਮੌਜੂਦ ਡੇਟਾ (ਜਿਵੇਂ ਕਿ ਖਪਤ-ਆਮਦਨ) ਨਾਲ ਇੱਕ ਸਧਾਰਨ ਰੀਗਰੈਸ਼ਨ ਸੈਟ ਅਪ ਕਰੋ। ਪਹਿਲੇ ਟੈਮਪਲੇਟ ਨਾਲ ਸੈੱਟਅੱਪ ਤਿਆਰ ਕਰੋ, ਅਤੇ ਦੂਜੇ ਟੈਮਪਲੇਟ ਨਾਲ ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟ ਤਿਆਰ ਕਰੋ। ਫਿਰ ਟੈਮਪਲੇਟ 3 ਦੇ ਨਾਲ ਕਾਰਣ-ਕਾਰਨ ਦੀ ਜਾਂਚ ਕਰੋ, ਘੱਟੋ-ਘੱਟ ਇੱਕ ਸੰਭਾਵਿਤ ਛੱਡੇ ਗਏ ਵੇਰੀਏਬਲ ਅਤੇ ਇੱਕ ਉਲਟ ਕਾਰਣ ਸੰਦਰਭ ਦਾ ਨਾਮ ਦਿਓ। AI ਦੀ ਸ਼ੁਰੂਆਤੀ ਵਿਆਖਿਆ ਤੋਂ ਇੱਕ ਕਾਰਣ ਵਾਕ ਦਾ ਰਿਲੇਸ਼ਨਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰੋ ਅਤੇ ਬਦਲਾਅ ਨੂੰ ਨੋਟ ਕਰੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਗੁਣਾਂਕ, ਮਿਆਰੀ ਗਲਤੀ, p-ਮੁੱਲ ਅਤੇ R-ਵਰਗ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਪੜ੍ਹਿਆ ਹੈ।
- [ ] ਮੈਂ ਲੜੀ ਦੀ ਸਥਿਰਤਾ ਦੀ ਜਾਂਚ ਕੀਤੀ ਅਤੇ ਨਕਲੀ ਰੀਗਰੈਸ਼ਨ ਦੇ ਜੋਖਮ ਨੂੰ ਖਤਮ ਕੀਤਾ।
- [ ] ਮੈਂ ਛੱਡੇ ਵੇਰੀਏਬਲ ਅਤੇ ਰਿਵਰਸ ਕਾਰਕ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਨਾਮ ਦਿੱਤਾ ਹੈ।
- [ ] ਮੈਂ ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟ ਕਰਵਾਏ ਅਤੇ ਉਲੰਘਣਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ।
- [ ] ਮੈਂ ਅੰਕੜਿਆਂ ਦੀ ਮਹੱਤਤਾ ਅਤੇ ਆਰਥਿਕ ਮਹੱਤਤਾ ਦਾ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਮੁਲਾਂਕਣ ਕੀਤਾ।
- [ ] ਮੈਂ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਕਾਰਕ ਭਾਸ਼ਾ ਨੂੰ ਰਿਲੇਸ਼ਨਲ ਭਾਸ਼ਾ ਵਿੱਚ ਖਿੱਚਿਆ ਹੈ।
- [ ] ਮੈਂ ਕਿਹਾ ਕਿ ਮਾਡਲ ਦੀ ਚੋਣ ਅਤੇ ਕਾਰਣ ਦਾ ਨਿਰਣਾ ਮੇਰਾ ਸੀ।