ਲਾਭ:
- ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਪੋਰਟ ਦੇ ਨਾਲ ਇੱਕ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਗੁਣਾਂਕ, ਮਿਆਰੀ ਗਲਤੀਆਂ ਅਤੇ ਆਰ-ਵਰਗ ਨੂੰ ਸਹੀ ਅਤੇ ਗੈਰ-ਕਾਰਜਕ ਭਾਸ਼ਾ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਉਹਨਾਂ ਬੁਨਿਆਦੀ ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਜਿਸ 'ਤੇ ਮਾਡਲ ਅਧਾਰਤ ਹੈ (ਰੇਖਿਕਤਾ, ਐਕਸੋਜੀਨਿਟੀ, ਨਿਰੰਤਰ ਵਿਭਿੰਨਤਾ) ਅਤੇ ਜਦੋਂ ਉਹਨਾਂ ਦੀ ਉਲੰਘਣਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਧਾਰਨਾ ਨਿਯੰਤਰਣ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰੋ।
- ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੇ ਗਏ ਗੁਣਾਂਕ ਵਿਆਖਿਆਵਾਂ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕਾਰਨ ਵਾਲੇ ਦਾਅਵਿਆਂ ਅਤੇ ਅਣਦੇਖੀ ਪਰਿਵਰਤਨਸ਼ੀਲ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਪਛਾਣਨ ਅਤੇ ਠੀਕ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਅਰਥ ਗਣਿਤ ਅਤੇ ਲਾਗੂ ਅੰਕੜਿਆਂ ਦੀ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਹੈ। ਇਸਦੇ ਸਰਲ ਰੂਪ ਵਿੱਚ, ਇਹ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਇੱਕ ਨਿਰਭਰ ਵੇਰੀਏਬਲ (ਨਤੀਜਾ ਜਿਸ ਦੀ ਤੁਸੀਂ ਵਿਆਖਿਆ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਜਿਵੇਂ ਕਿ ਆਮਦਨ) ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲਾਂ (ਵਿਆਖਿਆਤਮਕ ਕਾਰਕ, ਜਿਵੇਂ ਕਿ ਸਿੱਖਿਆ ਦੇ ਸਾਲਾਂ, ਅਨੁਭਵ) ਨਾਲ ਇੱਕ ਰੇਖਿਕ ਸਬੰਧ ਦੁਆਰਾ ਬਦਲਦਾ ਹੈ। ਮਾਡਲ ਦਾ ਰੂਪ ਹੈ: ਆਮਦਨ = β0 + β1·ਸਿੱਖਿਆ + β2·ਅਨੁਭਵ + u। ਇੱਥੇ β (ਬੀਟਾ) ਗੁਣਾਂਕ ਰਿਸ਼ਤੇ ਦਾ ਆਕਾਰ ਦਿਖਾਉਂਦੇ ਹਨ, ਅਤੇ u ਗਲਤੀ ਸ਼ਬਦ (ਸਾਰੇ ਅਣ-ਨਿਰੀਖਣ ਵਾਲੇ ਪ੍ਰਭਾਵ) ਦਿਖਾਉਂਦਾ ਹੈ ਜਿਸਦੀ ਵਿਆਖਿਆ ਮਾਡਲ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਕਿਵੇਂ ਨਕਲੀ ਬੁੱਧੀ (AI) ਰਿਗਰੈਸ਼ਨ ਨਿਰਮਾਣ ਅਤੇ ਵਿਆਖਿਆ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ, ਪਰ ਗੁਣਾਂਕ ਵਿਆਖਿਆ ਕਿਉਂ ਹੈ ਜਿੱਥੇ ਅਕਸਰ ਗਲਤੀਆਂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।
ਆਉ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਮੂਲ ਉਦੇਸ਼ ਰੱਖੀਏ: AI ਰਿਗਰੈਸ਼ਨ ਕੋਡ ਲਿਖਦਾ ਹੈ, ਆਉਟਪੁੱਟ ਟੇਬਲ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰਦਾ ਹੈ, ਗੁਣਾਂਕ ਵਿਆਖਿਆ ਲਈ ਇੱਕ ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਪਰ ਇਹ ਤੁਹਾਡਾ ਫੈਸਲਾ ਹੈ ਕਿ ਕਿਹੜੇ ਵੇਰੀਏਬਲ ਮਾਡਲ (ਮਾਡਲ ਨਿਰਧਾਰਨ) ਵਿੱਚ ਜਾਂਦੇ ਹਨ, ਕੀ ਗੁਣਾਂਕ ਨੂੰ ਕਾਰਣ ਜਾਂ ਰਿਲੇਸ਼ਨਲ ਵਜੋਂ ਸਮਝਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਕੀ ਕੋਈ ਅਣਦੇਖੀ ਵੇਰੀਏਬਲ ਹੈ। AI ਦੀ ਸਭ ਤੋਂ ਖ਼ਤਰਨਾਕ ਆਦਤ ਹੈ ਸਾਧਾਰਨ ਰਿਗਰੈਸ਼ਨ ਗੁਣਾਂਕ ਨੂੰ ਕਾਰਕ ਭਾਸ਼ਾ ਵਿੱਚ ਪੇਸ਼ ਕਰਨਾ ਜਿਵੇਂ ਕਿ "X ਵਧਦਾ ਹੈ Y"; ਜਦੋਂ ਕਿ ਜ਼ਿਆਦਾਤਰ ਰਿਗਰੈਸ਼ਨ ਸਿਰਫ ਸਬੰਧ (ਸਬੰਧ) ਦਿਖਾਉਂਦੇ ਹਨ।
ਪੜਾਅਵਾਰ ਰੀਗਰੈਸ਼ਨ ਵਰਕਫਲੋ
1. ਸਿਧਾਂਤ ਨਾਲ ਮਾਡਲ ਬਣਾਓ। ਕਿਹੜੇ ਵੇਰੀਏਬਲ ਨਿਰਭਰ ਹੋਣਗੇ ਅਤੇ ਕਿਹੜਾ ਸੁਤੰਤਰ ਹੋਵੇਗਾ ਇਹ ਫੀਲਡ ਗਿਆਨ ਅਤੇ ਸਿਧਾਂਤ ਤੋਂ ਆਉਂਦਾ ਹੈ, ਅੰਕੜਿਆਂ ਤੋਂ ਨਹੀਂ। "ਕੀ ਕਾਰਕ ਤਰਕ ਨਾਲ ਇਸ ਨਤੀਜੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ?" ਦਾ ਤਰਕ "ਮੈਂ ਜੋ ਵੀ ਡੇਟਾ ਵਿੱਚ ਪਾਉਂਦਾ ਹਾਂ, ਗੁਣਾਂਕ ਮਹੱਤਵਪੂਰਨ ਹੋਵੇਗਾ" ਦਾ ਤਰਕ ਨਹੀਂ ਹੈ।
2. ਅੰਦਾਜ਼ਾ ਲਗਾਓ। ਸਭ ਤੋਂ ਆਮ ਢੰਗ ਹੈ OLS (ਆਧਾਰਨ ਸਭ ਤੋਂ ਘੱਟ ਵਰਗ): ਇਹ ਗੁਣਾਂਕ ਨੂੰ ਅਜਿਹੇ ਤਰੀਕੇ ਨਾਲ ਚੁਣਦਾ ਹੈ ਜੋ ਨਿਰੀਖਣ ਕੀਤੇ ਅਤੇ ਅਨੁਮਾਨਿਤ ਮੁੱਲਾਂ ਵਿਚਕਾਰ ਵਰਗ ਅੰਤਰ ਦੇ ਜੋੜ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਦਾ ਹੈ। AI ਇਸ ਲਈ ਕੋਡ (lm() R ਵਿੱਚ, statsmodels Python ਵਿੱਚ) ਉੱਡਣ 'ਤੇ ਤਿਆਰ ਕਰਦਾ ਹੈ।
3. ਆਉਟਪੁੱਟ ਪੜ੍ਹੋ। ਰਿਗਰੈਸ਼ਨ ਆਉਟਪੁੱਟ ਵਿੱਚ ਚਾਰ ਚੀਜ਼ਾਂ ਦੀ ਭਾਲ ਕਰੋ: ਗੁਣਾਂਕ (ਰਿਸ਼ਤੇ ਦੀ ਦਿਸ਼ਾ ਅਤੇ ਵਿਸ਼ਾਲਤਾ), ਮਿਆਰੀ ਗਲਤੀ (ਗੁਣਾਕ ਦੀ ਅਨੁਮਾਨ ਅਨਿਸ਼ਚਿਤਤਾ), ਟੀ-ਅੰਕੜਾ ਅਤੇ ਪੀ-ਮੁੱਲ (ਸਬੂਤ ਦੀ ਤਾਕਤ ਕਿ ਗੁਣਾਂਕ ਜ਼ੀਰੋ ਤੋਂ ਵੱਖਰਾ ਹੈ), R-ਵਰਗ (ਨਿਰਭਰ ਤੋਂ ਵੇਰੀਏਬਲ 1 ਨੂੰ ਮਾਡਲ ਵਿੱਚ ਕਿੰਨੀ ਪਰਿਵਰਤਨ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ)। ਇੱਕ ਉੱਚ ਆਰ-ਵਰਗ ਦਾ ਮਤਲਬ "ਚੰਗਾ ਮਾਡਲ" ਨਹੀਂ ਹੈ; ਕੋਈ ਵੀ ਕਾਰਣ ਨਹੀਂ ਹੈ।
4. ਗੁਣਾਂਕ ਦੀ ਸਹੀ ਵਿਆਖਿਆ ਕਰੋ। ਜੇਕਰ ਸਿੱਖਿਆ ਗੁਣਾਂਕ 1,200 ਹੈ, ਤਾਂ ਸਹੀ ਵਿਆਖਿਆ ਇਹ ਹੈ: "ਹੋਰ ਵੇਰੀਏਬਲ ਲਗਾਤਾਰ ਹੋਣ ਕਰਕੇ, ਸਿੱਖਿਆ ਵਿੱਚ ਇੱਕ ਸਾਲ ਦਾ ਵਾਧਾ ਉੱਚ ਆਮਦਨ ਦੇ ਔਸਤਨ 1,200 ਯੂਨਿਟਾਂ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ।" ਗਲਤ ਵਿਆਖਿਆ: "ਸਿੱਖਿਆ ਦਾ ਇੱਕ ਹੋਰ ਸਾਲ ਆਮਦਨ 1,200 ਤੱਕ ਵਧਾਉਂਦਾ ਹੈ।" ਦੂਜਾ ਕਾਰਨ ਦਾ ਦਾਅਵਾ ਹੈ ਅਤੇ ਕੇਵਲ ਢੁਕਵੇਂ ਡਿਜ਼ਾਈਨ (ਯੂਨਿਟ 9) ਨਾਲ ਹੀ ਬਚਾਅ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
5. ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰੋ। ਰਿਗਰੈਸ਼ਨ ਦੀ ਵੈਧਤਾ ਕੁਝ ਧਾਰਨਾਵਾਂ (ਹੇਠਾਂ) 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। AI ਡਾਇਗਨੌਸਟਿਕ ਕੋਡ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਤੁਸੀਂ ਟਿੱਪਣੀ ਕਰੋ.
ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਦੀਆਂ ਮੂਲ ਧਾਰਨਾਵਾਂ
ਉਹ ਧਾਰਨਾਵਾਂ ਜਿਨ੍ਹਾਂ 'ਤੇ ਕਲਾਸੀਕਲ ਰੇਖਿਕ ਮਾਡਲ ਆਧਾਰਿਤ ਹੈ, ਗੁਣਾਂ ਦੇ ਨਿਰਪੱਖ (ਰੇਖਾ-ਕੇਂਦਰਿਤ) ਹੋਣ ਅਤੇ ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਭਰੋਸੇਯੋਗ ਹੋਣ ਲਈ ਜ਼ਰੂਰੀ ਹਨ:
- ਰੇਖਿਕਤਾ: ਸਬੰਧ ਮਾਪਦੰਡਾਂ ਵਿੱਚ ਰੇਖਿਕ ਹੁੰਦਾ ਹੈ (ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਲੌਗ/ਵਰਗ ਸ਼ਬਦਾਂ ਵਿੱਚ ਖਿੱਚਿਆ ਜਾਂਦਾ ਹੈ)।
- Exogeneity (ਜ਼ੀਰੋ ਕੰਡੀਸ਼ਨਲ ਮਤਲਬ): ਗਲਤੀ ਸ਼ਬਦ ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲਾਂ ਨਾਲ ਗੈਰ-ਸਬੰਧਿਤ ਹੈ। ਇਹ ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਅਕਸਰ ਉਲੰਘਣਾ ਕੀਤੀ ਗਈ ਧਾਰਨਾ ਹੈ; ਉਲੰਘਣਾ ਛੱਡੇ ਗਏ ਪਰਿਵਰਤਨਸ਼ੀਲ ਪੱਖਪਾਤ ਬਣਾਉਂਦਾ ਹੈ।
- ਸਥਿਰ ਪਰਿਵਰਤਨ (ਹੋਮੋਸੈਡੈਸਟਿਕਿਟੀ): ਗਲਤੀ ਸ਼ਬਦ ਦਾ ਪਰਿਵਰਤਨ ਸਾਰੇ ਨਿਰੀਖਣਾਂ ਵਿੱਚ ਇੱਕੋ ਜਿਹਾ ਹੁੰਦਾ ਹੈ (ਉਲੰਘਣਾ: ਵਿਭਿੰਨਤਾ - ਇਕਾਈ 5)।
- ਸਵੈ-ਸੰਬੰਧ ਦੀ ਅਣਹੋਂਦ: ਤਰੁੱਟੀਆਂ ਇੱਕ ਦੂਜੇ ਤੋਂ ਸੁਤੰਤਰ ਹੁੰਦੀਆਂ ਹਨ (ਸਮਾਂ ਲੜੀ ਵਿੱਚ ਵਾਰ-ਵਾਰ ਉਲੰਘਣਾਵਾਂ — ਇਕਾਈਆਂ 5 ਅਤੇ 8)।
- ਅਤਿਅੰਤ ਮਲਟੀਕੋਲੀਨੀਅਰਿਟੀ ਦੀ ਅਣਹੋਂਦ: ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲ ਇੱਕ ਦੂਜੇ ਦੇ ਲਗਭਗ ਇੱਕੋ ਜਿਹੇ ਨਹੀਂ ਹਨ (ਯੂਨਿਟ 5)।
ਸਾਵਧਾਨ: ਸਭ ਤੋਂ ਖ਼ਤਰਨਾਕ ਸਮੱਸਿਆ ਪਰਿਵਰਤਨਸ਼ੀਲ ਪੱਖਪਾਤ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਆਪਣੇ ਮਾਡਲ ਵਿੱਚੋਂ ਕੋਈ ਅਜਿਹਾ ਕਾਰਕ ਛੱਡ ਦਿੰਦੇ ਹੋ ਜੋ ਆਮਦਨ ਅਤੇ ਸਿੱਖਿਆ (ਜਿਵੇਂ ਕਿ ਪਰਿਵਾਰਕ ਪਿਛੋਕੜ, ਯੋਗਤਾ) ਦੋਵਾਂ ਨਾਲ ਸਬੰਧਤ ਹੈ, ਤਾਂ ਸਿੱਖਿਆ ਗੁਣਾਂਕ ਇਸ ਗੁੰਮ ਹੋਏ ਕਾਰਕ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਲੈ ਕੇ ਵਧਦਾ ਹੈ। AI ਗੁੰਮ ਵੇਰੀਏਬਲ ਨੂੰ ਨਹੀਂ ਜਾਣ ਸਕਦਾ; ਸਿਰਫ਼ ਤੁਹਾਡਾ ਖੇਤਰੀ ਗਿਆਨ ਇਸ ਨੂੰ ਹਾਸਲ ਕਰ ਸਕਦਾ ਹੈ।
ਤੁਲਨਾ ਸਾਰਣੀ: ਸਹੀ ਬਨਾਮ ਗਲਤ ਗੁਣਾਂਕ ਵਿਆਖਿਆ
ਆਉਟਪੁੱਟ
ਗਲਤ (ਕਾਰਨ) ਵਿਆਖਿਆ
ਸਹੀ (ਸਬੰਧਤ) ਵਿਆਖਿਆ
ਸਿੱਖਿਆ ਗੁਣਾਂਕ = 1.200
"ਸਿੱਖਿਆ 1,200 ਤੱਕ ਆਮਦਨ ਵਧਾਉਂਦੀ ਹੈ"
"ਇੱਕ ਸਾਲ ਦੀ ਹੋਰ ਸਿੱਖਿਆ, ceteris paribus, 1,200 ਉੱਚ ਆਮਦਨ ਨਾਲ ਜੁੜੀ ਹੋਈ ਹੈ।"
R² = 0.68
"ਮਾਡਲ ਨੇ ਅਸਲੀਅਤ ਨੂੰ ਫੜ ਲਿਆ"
"68% ਪਰਿਵਰਤਨ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ ਗਈ ਹੈ; ਕਾਰਨ ਨਹੀਂ ਦਿਖਾਉਂਦਾ"
p <0.01
"ਪ੍ਰਭਾਵ ਬਹੁਤ ਵੱਡਾ ਹੈ"
"ਮਜ਼ਬੂਤ ਸਬੂਤ ਹੈ ਕਿ ਗੁਣਾਂਕ ਜ਼ੀਰੋ ਤੋਂ ਵੱਖਰਾ ਹੈ; ਤੀਬਰਤਾ ਵੱਖਰੀ ਹੈ"
ਨਕਾਰਾਤਮਕ ਗੁਣਾਂਕ
"X Y ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ"
"ਜਿਵੇਂ ਕਿ X ਵਧਦਾ ਹੈ, Y ਔਸਤ ਘਟਦਾ ਹੈ; ਇੱਕ ਹੋਰ ਸਮੱਸਿਆ ਕਿਉਂ ਹੈ?"
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ
1. ਰਿਗਰੈਸ਼ਨ ਕੋਡ ਤਿਆਰ ਕਰਨਾ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਇਕਨੋਮੈਟ੍ਰਿਕਸ ਕੋਡ ਸਹਾਇਕ। ਮੈਂ ਡਾਟਾ ਸਾਂਝਾ ਨਹੀਂ ਕਰਦਾ, ਮੈਨੂੰ ਆਰ ਕੋਡ ਚਾਹੀਦਾ ਹੈ। data.frame ਵਿੱਚ 'ਡੇਟਾ', ਆਮਦਨ (ਨਿਰਭਰ), ਸਿੱਖਿਆ, ਅਨੁਭਵ, ਲਿੰਗ (ਵਧੀਆ)। ਟਾਸਕ: ਆਮਦਨੀ ~ ਸਿੱਖਿਆ + ਅਨੁਭਵ + ਲਿੰਗ ਲਈ lm() ਦੇ ਨਾਲ ਰਿਗਰੈਸ਼ਨ ਕੋਡ ਲਿਖੋ, ਸਮਰੀ ਆਉਟਪੁੱਟ ਅਤੇ ਗੁਣਾਂ ਦਾ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ (ਸੰਬੰਧ) ਦਿਖਾਓ। ਹਰੇਕ ਹਿੱਸੇ ਨੂੰ ਟਿੱਪਣੀ ਲਾਈਨ ਨਾਲ ਸਮਝਾਓ। ਮੈਂ ਚਲਾਵਾਂਗਾ ਅਤੇ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਾਂਗਾ।
2. ਗੁਣਾਂਕ ਵਿਆਖਿਆ ਦਾ ਸਕੈਚ (ਸਬੰਧਤ ਭਾਸ਼ਾ ਵਿੱਚ):
ਹੇਠਾਂ ਰਿਗਰੈਸ਼ਨ ਆਉਟਪੁੱਟ ਦੀ ਵਿਆਖਿਆ ਕਰੋ ਪਰ ਨਿਯਮਾਂ:- ਰਿਲੇਸ਼ਨਲ ਭਾਸ਼ਾ ਵਿੱਚ ਗੁਣਾਂਕ ਲਿਖੋ ("ਨਾਲ ਸਬੰਧਿਤ"), ਕਾਰਣ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ, - "ਹੋਰ ਵੇਰੀਏਬਲ ਸਥਿਰ" ਜੋੜੋ, - R-ਵਰਗ ਨੂੰ 'ਕਾਰਨਸ਼ੀਲਤਾ' ਵਜੋਂ ਪੇਸ਼ ਕਰੋ, - ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਨਾਲ ਮਹੱਤਤਾ ਨੂੰ ਉਲਝਾਓ ਨਾ। ਆਉਟਪੁੱਟ: [ਪੇਸਟ ਟੇਬਲ]
3. ਧਾਰਨਾ ਜਾਂਚ ਕੋਡ:
ਆਮਦਨ ~ ਸਿੱਖਿਆ + ਅਨੁਭਵ ਮਾਡਲ (ਆਰ) ਲਈ ਇੱਕ ਧਾਰਨਾ ਨਿਦਾਨ ਕੋਡ ਲਿਖੋ: ਬਕਾਇਆ-ਫਿਟਿੰਗ (ਬਕਾਇਆ) ਗ੍ਰਾਫ਼, QQ ਗ੍ਰਾਫ਼, ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਵੰਡ। ਟਿੱਪਣੀ ਲਾਈਨ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰੋ ਕਿ ਹਰੇਕ ਗ੍ਰਾਫ ਦੀ ਜਾਂਚ ਕਿਹੜੀ ਧਾਰਨਾ ਹੈ। ਸੁਧਾਰ ਦਾ ਸੁਝਾਅ; ਬਸ ਇੱਕ ਤਸ਼ਖੀਸ ਪੈਦਾ ਕਰੋ ਅਤੇ ਮੈਂ ਫੈਸਲਾ ਕਰਾਂਗਾ।
4. ਖੁੰਝੀ ਵੇਰੀਏਬਲ ਪੁੱਛਗਿੱਛ:
ਆਮਦਨ ~ ਸਿੱਖਿਆ ਮਾਡਲ ਵਿੱਚ ਅਣਦੇਖੀ ਕੀਤੇ ਪਰਿਵਰਤਨਸ਼ੀਲ ਪੱਖਪਾਤ ਦੇ ਜੋਖਮ ਨੂੰ ਵਿਚਾਰਨ ਵਿੱਚ ਮੇਰੀ ਮਦਦ ਕਰੋ। ਸੰਭਾਵਿਤ ਵੇਰੀਏਬਲਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜੋ ਆਮਦਨ ਅਤੇ ਸਿੱਖਿਆ ਦੋਵਾਂ ਨਾਲ ਸਬੰਧਤ ਹਨ ਪਰ ਮਾਡਲ ਵਿੱਚ ਨਹੀਂ ਹਨ (ਉਦਾਹਰਨ ਲਈ, ਪਰਿਵਾਰਕ ਪਿਛੋਕੜ, ਖੇਤਰ, ਯੋਗਤਾ) ਅਤੇ ਵਿਆਖਿਆ ਕਰੋ ਕਿ ਹਰੇਕ ਸਿੱਖਿਆ ਗੁਣਾਂਕ ਨੂੰ ਕਿਸ ਦਿਸ਼ਾ ਵਿੱਚ ਪੱਖਪਾਤ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਇੱਕ ਨਿਸ਼ਚਤਤਾ ਨਹੀਂ ਹੈ, ਇਸ ਨੂੰ ਵਿਚਾਰਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਹੋਣ ਦਿਓ; ਮੈਂ ਫੈਸਲਾ ਕਰਾਂਗਾ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਸ ਰਿਗਰੈਸ਼ਨ ਆਉਟਪੁੱਟ ਦੀ ਵਿਆਖਿਆ ਕਰੋ ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰੋ।
ਇਹ ਪ੍ਰੋਂਪਟ AI ਨੂੰ ਜਾਰੀ ਕਰਦਾ ਹੈ; ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਕਾਰਨ ਅਤੇ ਅਤਿਕਥਨੀ ਵਾਲੇ ਵਾਕ ਪੈਦਾ ਕਰਦੇ ਹਨ ਜਿਵੇਂ ਕਿ "ਸਿਖਲਾਈ ਆਮਦਨੀ ਵਧਾਉਂਦੀ ਹੈ" ਅਤੇ "ਮਾਡਲ ਬਹੁਤ ਸਫਲ ਹੈ"।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸਾਵਧਾਨ ਅਰਥ ਗਣਿਤ ਸਹਾਇਕ। ਆਉਟਪੁੱਟ ਦੀ ਵਿਆਖਿਆ ਕਰੋ, ਪਰ: (1) ਸਾਰੇ ਗੁਣਾਂਕ ਨੂੰ ਰਿਲੇਸ਼ਨਲ ਭਾਸ਼ਾ ਵਿੱਚ ਲਿਖੋ, (2) "ਆਲ ਹੋਰ ਸੇਟਰਿਸ ਪੈਰੀਬਸ" ਪੈਟਰਨ ਦੀ ਵਰਤੋਂ ਕਰੋ, (3) ਕਾਰਨ ਲਈ R-ਵਰਗ ਦੀ ਗਲਤੀ ਨਾ ਕਰੋ, (4) ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਤੋਂ ਵੱਖਰਾ ਮਹੱਤਵ, (5) ਮਾਡਲ ਦੀ ਐਕਸੋਜੀਨਿਟੀ ਧਾਰਨਾ ਦੀ ਜਾਂਚ ਕਰਨ ਵਿੱਚ ਅਸਫਲਤਾ ਅਤੇ ਓਵਰਸਲੋਕੋਕ ਦੇ ਜੋਖਮ ਨੂੰ ਨੋਟ ਕਰੋ। ਆਉਟਪੁੱਟ: [ਸਾਰਣੀ]
ਅੰਤਰ: ਮਜ਼ਬੂਤ ਇੱਛਾ ਕਾਰਣ ਭਾਸ਼ਾ ਨੂੰ ਮਨਾਹੀ ਕਰਦੀ ਹੈ, ਅਸਪਸ਼ਟਤਾ ਅਤੇ ਧਾਰਨਾ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਦਿਸਦੀ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਕਾਰਨ ਭਾਸ਼ਾ ਦਾ ਜਾਲ। ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ ਆਪਣੀ ਇਸ਼ਤਿਹਾਰਬਾਜ਼ੀ ਵਿੱਚ ਵਿਗਿਆਪਨ ਗੁਣਾਂਕ ਨੂੰ 2.4 ਪਾਇਆ ~ ਸੇਲ ਰਿਗਰੈਸ਼ਨ ਅਤੇ ਏਆਈ ਬਲੂਪ੍ਰਿੰਟ ਦੀ ਵਰਤੋਂ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤੀ: "ਵਿਗਿਆਪਨ 'ਤੇ ਖਰਚ ਕੀਤੀ ਗਈ ਹਰੇਕ ਇਕਾਈ 2.4 ਯੂਨਿਟਾਂ ਦੀ ਵਿਕਰੀ ਵਧਾਉਂਦੀ ਹੈ।" ਮੈਨੇਜਮੈਂਟ ਨੇ ਉਸ ਅਨੁਸਾਰ ਬਜਟ ਨੂੰ ਵਧਾਇਆ; ਜਦੋਂ ਕਿ ਉੱਚ ਵਿਕਰੀ ਦੀ ਮਿਆਦ ਦੇ ਦੌਰਾਨ ਪਹਿਲਾਂ ਹੀ ਵਧੇਰੇ ਇਸ਼ਤਿਹਾਰਬਾਜ਼ੀ (ਉਲਟਾ ਕਾਰਣਤਾ) ਸੀ ਅਤੇ ਗੁਣਾਂਕ ਇਸ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਸਬਕ: ਸਾਧਾਰਨ ਰਿਗਰੈਸ਼ਨ ਕਾਰਨ ਦਾ ਸਬੂਤ ਨਹੀਂ ਹੈ; ਦਿਸ਼ਾ ਅਸਪਸ਼ਟ ਹੈ।
ਕੇਸ 2 - ਅਣਡਿੱਠ ਕੀਤਾ ਵੇਰੀਏਬਲ। ਇੱਕ ਅਧਿਐਨ ਵਿੱਚ, ਆਮਦਨ ~ ਸਿੱਖਿਆ ਗੁਣਾਂਕ 1,900 ਸੀ। ਜਦੋਂ ਮਾਤਾ-ਪਿਤਾ ਦੀ ਸਿੱਖਿਆ ਅਤੇ ਖੇਤਰ ਨੂੰ ਮਾਡਲ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਗੁਣਾਂਕ ਘਟ ਕੇ 1.150 ਹੋ ਗਿਆ। ਪਹਿਲੇ ਮਾਡਲ ਵਿੱਚ, ਸਿੱਖਿਆ ਨੇ ਅਸਲ ਵਿੱਚ ਪਰਿਵਾਰਕ ਪਿਛੋਕੜ ਦੇ ਕੁਝ ਪ੍ਰਭਾਵ ਨੂੰ ਆਪਣੇ ਅਧੀਨ ਲਿਆ। ਪਾਠ: ਇੱਕ ਗੁੰਮ ਪਰ ਸਹਿਸਬੰਧਿਤ ਵੇਰੀਏਬਲ ਗੁਣਾਂਕ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ; ਡੋਮੇਨ ਗਿਆਨ ਦੇ ਨਾਲ ਸੰਭਵ ਕਮੀਆਂ 'ਤੇ ਵਿਚਾਰ ਕਰੋ।
ਕੇਸ 3 — ਉੱਚ ਆਰ-ਵਰਗ ਭਰਮ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ R²=0.94 ਦੇਖਿਆ ਅਤੇ ਕਿਹਾ "ਮੇਰਾ ਮਾਡਲ ਸੰਪੂਰਨ ਹੈ"। ਪਰ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨਿਰਭਰ ਵੇਰੀਏਬਲ (ਇੱਕ ਆਈਟਮ ਜੋ ਪਹਿਲਾਂ ਹੀ ਵਿਕਰੀ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ) ਦੇ ਬਰਾਬਰ ਸੀ। ਮਾਡਲ ਅਸਲੀਅਤ ਦੀ ਵਿਆਖਿਆ ਨਹੀਂ ਕਰ ਰਿਹਾ ਸੀ, ਇਹ ਆਪਣੇ ਆਪ ਨੂੰ ਸਮਝਾ ਰਿਹਾ ਸੀ. ਸਬਕ: ਉੱਚ ਆਰ-ਵਰਗ ਮਾਡਲ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਗਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ; ਤਰਕ ਜਾਂਚ ਦੀ ਲੋੜ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਗੁਣਾਂਕ ਨੂੰ ਕਾਰਣ ਰੂਪ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰਨਾ। "ਵਧਦਾ/ਘਟਦਾ" ਭਾਸ਼ਾ ਗਲਤ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਤੱਕ ਕਿ ਡਿਜ਼ਾਈਨ ਦੁਆਰਾ ਬਚਾਅ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ; "ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ" ਕਹੋ.
- ਅਣਡਿੱਠ ਕੀਤੇ ਵੇਰੀਏਬਲ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। X ਅਤੇ Y ਦੋਵਾਂ ਨਾਲ ਜੁੜਿਆ ਇੱਕ ਗੁੰਮ ਕਾਰਕ ਗੁਣਾਂਕ ਦਾ ਪੱਖਪਾਤ ਕਰਦਾ ਹੈ; ਸੰਭਵ ਕਮੀਆਂ 'ਤੇ ਗੌਰ ਕਰੋ।
- ਸਫਲਤਾ ਦੇ ਮਾਪ ਵਜੋਂ R-ਵਰਗ ਨੂੰ ਗਲਤ ਕਰਨਾ। ਇੱਕ ਉੱਚ ਆਰ-ਵਰਗ ਦਾ ਮਤਲਬ ਕਾਰਣ ਜਾਂ ਸਹੀ ਮਾਡਲ ਨਹੀਂ ਹੈ; ਇਹ ਵੇਰੀਏਬਲ ਲੀਕੇਜ ਦਾ ਸੰਕੇਤ ਵੀ ਹੋ ਸਕਦਾ ਹੈ।
- ਮਹਾਨਤਾ ਦੇ ਨਾਲ ਉਲਝਣ ਵਾਲੀ ਮਹੱਤਤਾ. p <0.05 ਇਹ ਨਹੀਂ ਦਰਸਾਉਂਦਾ ਕਿ ਪ੍ਰਭਾਵ ਵੱਡਾ ਹੈ; ਗੁਣਾਂਕ ਦੀ ਵਿਹਾਰਕ ਵਿਸ਼ਾਲਤਾ ਵੀ ਦੇਖੋ।
- ਉਹਨਾਂ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਧਾਰਨਾਵਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ। ਉਲੰਘਣਾ ਮਿਆਰੀ ਗਲਤੀਆਂ ਅਤੇ ਵਿਆਖਿਆ ਨੂੰ ਵਿਗਾੜਦੀ ਹੈ; ਨਿਦਾਨ ਨੂੰ ਮਿਸ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।
ਸੰਕੇਤ: ਹਰੇਕ ਗੁਣਾਂਕ ਲਈ, ਪੁੱਛੋ "ਕੀ ਮੈਂ ਇਸ ਸਬੰਧ ਨੂੰ ਉਲਟ ਦਿਸ਼ਾ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹਾਂ? ਜਾਂ ਕੀ ਕੋਈ ਤੀਜਾ ਕਾਰਕ ਹੈ ਜੋ ਦੋਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ?" ਕਲਮ ਦੇ ਕਾਗਜ਼ ਨੂੰ ਛੂਹਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਇਹ ਦੋ ਸਵਾਲ ਕਾਰਣ-ਵਿਆਖਿਆ ਨੂੰ ਰੋਕ ਦਿੰਦੇ ਹਨ।
ਸੰਖੇਪ ਵਿੱਚ
ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਵਿਆਖਿਆਤਮਕ ਕਾਰਕਾਂ ਨਾਲ ਕਿਸੇ ਨਤੀਜੇ ਦੇ ਸਬੰਧ ਨੂੰ ਮਾਪਣ ਲਈ ਬੁਨਿਆਦੀ ਸਾਧਨ ਹੈ। AI ਤੇਜ਼ੀ ਨਾਲ ਮਾਡਲ ਦਾ ਕੋਡ, ਆਉਟਪੁੱਟ ਲੇਆਉਟ, ਅਤੇ ਵਿਆਖਿਆ ਰੂਪਰੇਖਾ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਪਰ ਮਾਡਲ ਨਿਰਧਾਰਨ, ਗੁਣਾਂਕ ਦੀ ਰਿਲੇਸ਼ਨਲ ਵਿਆਖਿਆ, ਅਤੇ ਅਣਡਿੱਠ ਕੀਤੇ ਵੇਰੀਏਬਲਾਂ ਦਾ ਜੋਖਮ ਮਾਹਰ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ। ਸਭ ਤੋਂ ਆਮ ਗਲਤੀ ਗੁਣਾਂਕ ਨੂੰ ਕਾਰਣ ("ਵਧਦਾ") ਵਜੋਂ ਪੇਸ਼ ਕਰਨਾ ਹੈ; ਸਹੀ ਭਾਸ਼ਾ ਰਿਲੇਸ਼ਨਲ ਹੈ ("ਸਬੰਧਤ, ਬਾਕੀ ਸਭ ਸਥਿਰ")। ਉੱਚ ਆਰ-ਵਰਗ ਸਫਲਤਾ ਜਾਂ ਕਾਰਨ ਨਹੀਂ ਹੈ; ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਕੋਈ ਵੀ ਵਿਆਖਿਆ ਸੁਰੱਖਿਅਤ ਨਹੀਂ ਹੈ (ਖਾਸ ਤੌਰ 'ਤੇ ਐਕਸੋਜੀਨਿਟੀ)।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਡਾਟਾ ਸੈੱਟ 'ਤੇ ਇੱਕ ਨਿਰਭਰ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਦੋ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲਾਂ ਦੇ ਨਾਲ ਇੱਕ ਰਿਗਰੈਸ਼ਨ ਸੈਟ ਅਪ ਕਰੋ। ਏਆਈ ਤੋਂ ਕੋਡ ਦੀ ਬੇਨਤੀ ਕਰੋ ਅਤੇ ਇਸਨੂੰ ਚਲਾਓ। ਪਹਿਲਾਂ, AI ਨੂੰ ਗੁਣਾਂ ਦੀ ਰਿਲੇਸ਼ਨਲ ਭਾਸ਼ਾ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਕਹੋ, ਅਤੇ ਫਿਰ ਤੁਸੀਂ ਹਰੇਕ ਕਾਰਨ ਕਥਨ ਦੀ ਸਮੀਖਿਆ ਕਰੋ ਅਤੇ ਠੀਕ ਕਰੋ। ਮਾਡਲ ਵਿੱਚ ਇੱਕ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਸੰਬੰਧਿਤ ਵੇਰੀਏਬਲ ਸ਼ਾਮਲ ਕਰੋ ਅਤੇ ਵੇਖੋ ਕਿ ਮੁੱਖ ਗੁਣਾਂਕ ਕਿਵੇਂ ਬਦਲਦਾ ਹੈ ਅਤੇ ਛੱਡੇ ਗਏ ਵੇਰੀਏਬਲ ਪੱਖਪਾਤ ਦੇ ਢਾਂਚੇ ਦੇ ਅੰਦਰ ਇੱਕ ਪੈਰੇ ਵਿੱਚ ਇਸਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਅੰਤ ਵਿੱਚ, ਧਾਰਨਾ ਡਾਇਗਨੌਸਟਿਕ ਪਲਾਟ ਤਿਆਰ ਕਰੋ ਅਤੇ ਨੋਟ ਕਰੋ ਕਿ ਕਿਹੜੀ ਧਾਰਨਾ ਠੋਸ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ ਅਤੇ ਕਿਹੜੀ ਸ਼ੱਕੀ ਲੱਗਦੀ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਮਾਡਲ ਨੂੰ ਥਿਊਰੀ ਅਤੇ ਫੀਲਡ ਗਿਆਨ 'ਤੇ ਅਧਾਰਤ ਬਣਾਇਆ, ਨਾ ਕਿ ਡੇਟਾ 'ਤੇ।
- [ ] ਮੈਂ ਰਿਲੇਸ਼ਨਲ ਭਾਸ਼ਾ ਵਿੱਚ ਗੁਣਾਂ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ ("ਸੇਟਰਿਸ ਪੈਰੀਬਸ ਨਾਲ ਸਬੰਧਤ")।
- [ ] ਮੈਂ ਨੋਟ ਕੀਤਾ ਹੈ ਕਿ ਕਾਰਨ ਦਾਅਵਿਆਂ ਲਈ ਵੱਖਰੇ ਡਿਜ਼ਾਈਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
- [ ] ਮੈਂ ਸੰਭਵ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤੇ ਵੇਰੀਏਬਲਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰਕੇ ਮੁੱਖ ਗੁਣਾਂਕ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਂ R-squared ਨੂੰ ਸਫਲਤਾ/ਕਾਰਨਸ਼ੀਲਤਾ ਦੇ ਮਾਪ ਵਜੋਂ ਪੇਸ਼ ਨਹੀਂ ਕੀਤਾ।
- [ ] ਪੈਦਾ ਅਤੇ ਵਿਆਖਿਆ ਕੀਤੀ ਕਲਪਨਾਤਮਕ ਡਾਇਗਨੌਸਟਿਕ ਪਲਾਟ; ਮੈਂ ਮੁਲਾਂਕਣ ਕੀਤਾ ਕਿ ਕੀ ਕੋਈ ਉਲੰਘਣਾ ਹੋਈ ਸੀ।