AI Machine Learning - III
By Seshadhiri Dhanasekaran
குறிப்பு : ஒரு 15 நிமிஷம் பொறுமையாக படிக்கவும். Maths, equationsன்னு வரும் ஆனா மரண சிம்பிளா இருக்கும். Don't worry 😊
#MachineLearning
#Thread
By Seshadhiri Dhanasekaran
குறிப்பு : ஒரு 15 நிமிஷம் பொறுமையாக படிக்கவும். Maths, equationsன்னு வரும் ஆனா மரண சிம்பிளா இருக்கும். Don't worry 😊
#MachineLearning
#Thread
நாம சின்ன வயதில் இருந்து அடிக்கடி இந்த பார்முலா பார்த்து இருப்போம். y = mx + c. Equation of Straight Line.
இதையே தான் நாம மெஷின் லேர்னிங்ல y = B0 +B1 x
இதில் x - கடந்த கால டேட்டா ,
y - நாம் கண்டுபுடிக்க இருக்கும் டேட்டா.
B0 என்பது intercept
B1 என்பது slope.
இதையே தான் நாம மெஷின் லேர்னிங்ல y = B0 +B1 x
இதில் x - கடந்த கால டேட்டா ,
y - நாம் கண்டுபுடிக்க இருக்கும் டேட்டா.
B0 என்பது intercept
B1 என்பது slope.
இதனுடன் நீங்கள் X சேர்த்தால் உங்களுக்கு Y கிடைக்கும். சுருக்கமாக y = f(x). அந்த function லீனியரா நான்லீனியரா என்பதை டேட்டாவை investigate செய்து நீங்கள் முடிவு செய்ய வேண்டும்.
இதற்கு ஒரு சிறிய கணக்கு உதாரணம் பார்ப்போம்
Student xi yi
1 95 85
2 85 95
3 80 70
4 70 65
5 60 70
Sum 390 385
Mean 78 77
Student xi yi
1 95 85
2 85 95
3 80 70
4 70 65
5 60 70
Sum 390 385
Mean 78 77
இப்போ நமக்கு இருக்கும் variables ரெண்டு. இந்த இரண்டுக்கும் முதலில் சம்மந்தம் இருக்கிறதா என ஆய்வு செய்ய வேண்டும். அது தான் correlation .
இதில் மொத்தம் 3 வகை உண்டு. அவை பொசிட்டிவ் correlation , நெகடிவ் correlation , No correlation . பொசிட்டிவ் correlation என்றால் Xயின் value அதிகரித்தால் Yயின் value வும் அதிகரிக்கும்.குறைந்தாலும் அதே.
நெகடிவ் correlation என்றால் X மதிப்பு அதிகரித்து Y மதிப்பு குறைதல்.
No correlation என்றால் X ஏறினாலும் இறங்கினாலும் Y மதிப்பு மாறாமல் இருப்பது.
இதன் மதிப்பு +1இல் இருந்து -1 வரை இருக்கும்.
0 <r <0.25 = பலவீனமான தொடர்பு
0.25 ≤ r <0.75 = இடைநிலை தொடர்பு
0.75 ≤ r <1 = வலுவான தொடர்பு
R = l = சரியான தொடர்பு
இதில் +1இல் இருந்து 0 வரை இருந்தால் அது பொசிட்டிவ். 0இல் இருந்து -1 வரை இருந்தால் நெகடிவ்.
0 <r <0.25 = பலவீனமான தொடர்பு
0.25 ≤ r <0.75 = இடைநிலை தொடர்பு
0.75 ≤ r <1 = வலுவான தொடர்பு
R = l = சரியான தொடர்பு
இதில் +1இல் இருந்து 0 வரை இருந்தால் அது பொசிட்டிவ். 0இல் இருந்து -1 வரை இருந்தால் நெகடிவ்.
இப்போ dataக்கு வருவோம்
Student xi yi (xi-x) (yi-y)
1 95 85 17 8
2 85 95 7 18
3 80 70 2 -7
4 70 65 -8 -12
5 60 70 -18 -7
Sum 390 385
Mean 78 77
X1 - X = 95 - 78 =17
Y1 - Y = 85 - 77 = 8
Student xi yi (xi-x) (yi-y)
1 95 85 17 8
2 85 95 7 18
3 80 70 2 -7
4 70 65 -8 -12
5 60 70 -18 -7
Sum 390 385
Mean 78 77
X1 - X = 95 - 78 =17
Y1 - Y = 85 - 77 = 8
இதை போலவே அனைத்து xக்கும், yக்கும் கணக்கிடவும்.
Student xi yi (xi-x)2 (yi-y)2
1 95 85 289 64
2 85 95 49 324
3 80 70 4 49
4 70 65 64 144
5 60 70 324 49
Sum 390 385 730 630
Mean 78 77
Student xi yi (xi-x)2 (yi-y)2
1 95 85 289 64
2 85 95 49 324
3 80 70 4 49
4 70 65 64 144
5 60 70 324 49
Sum 390 385 730 630
Mean 78 77
Student xi yi (xi-x)(yi-y)
1 95 85 136
2 85 95 126
3 80 70 -14
4 70 65 96
5 60 70 126
Sum 390 385 470
Mean 78 77
1 95 85 136
2 85 95 126
3 80 70 -14
4 70 65 96
5 60 70 126
Sum 390 385 470
Mean 78 77
இப்போது நாம் B1 கண்டு பிடிப்போம்.
B1 = Σ [ (xi - x)(yi - y) ] / Σ [ (xi - x)2]
B1 = 470/730
B1 = 0.644
அடுத்து B0 கண்டுபிடிப்போம்
B0 = y - B1 * x
B0 = 77 - (0.644)(78)
B0 = 26.768
B1 = Σ [ (xi - x)(yi - y) ] / Σ [ (xi - x)2]
B1 = 470/730
B1 = 0.644
அடுத்து B0 கண்டுபிடிப்போம்
B0 = y - B1 * x
B0 = 77 - (0.644)(78)
B0 = 26.768
இப்போது regression பார்முலா இந்த டேட்டாவிற்கு ŷ = 26.768 + 0.644x .
இப்போ நீங்க Xக்கு எந்த value குடுத்தாலும் Y value கண்டுபுடிக்கலாம் .
இதை போல ஒன்றுக்கு மேற்பட்ட X இருந்தால் அது multiple லீனியர் regression
Y = B0 + B1x1 + B2x2 + ..
#MachineLearningTamil
இப்போ நீங்க Xக்கு எந்த value குடுத்தாலும் Y value கண்டுபுடிக்கலாம் .
இதை போல ஒன்றுக்கு மேற்பட்ட X இருந்தால் அது multiple லீனியர் regression
Y = B0 + B1x1 + B2x2 + ..
#MachineLearningTamil
AI, Machine Learning - I
AI Machine Learning Part II Link 👇
