მონაცემთა სიმრავლესთან სწორი ხაზის მორგებისას, შეიძლება დაინტერესებული იყოთ იმის დადგენაში, თუ რამდენად შეესაბამება მონაცემების შესაბამის ხაზს. ამის ერთ – ერთი გზაა გამოთვალეთ კვადრატების ჯამი შეცდომა (SSE). ეს მნიშვნელობა იძლევა იმის გარკვევას, თუ რამდენად სწორად შეესაბამება საუკეთესო ხაზს მონაცემთა ნაკრები. SSE მნიშვნელოვანია ექსპერიმენტული მონაცემების ანალიზისთვის და განისაზღვრება მხოლოდ რამდენიმე მოკლე ნაბიჯის გავლით.
იპოვნეთ საუკეთესოდ შესაფერისი სტრიქონი მონაცემთა რეგრესიის გამოყენებით. საუკეთესო მორგების ხაზს აქვს ფორმა y = ax + b, სადაც a და b არის პარამეტრები, რომელთა დადგენა გჭირდებათ. ამ პარამეტრების პოვნა შეგიძლიათ მარტივი ხაზოვანი რეგრესიული ანალიზის გამოყენებით. მაგალითად, ჩავთვალოთ, რომ საუკეთესო ჯდება ხაზს აქვს ფორმა y = 0.8x + 7.
გამოიყენეთ განტოლება, რომ განსაზღვროთ თითოეული y სიდიდის მნიშვნელობა, რომელიც პროგნოზირებულია ხაზის საუკეთესოდ. ამის გაკეთება შეგიძლიათ თითოეული x- მნიშვნელობის შეცვლით წრფის განტოლებაში. მაგალითად, თუ x ტოლია 1-ის, y = 0.8x + 7 განტოლების ჩანაცვლება y- მნიშვნელობას 7.8-ს აძლევს.
განსაზღვრეთ მნიშვნელობების საშუალო პროგნოზირებული საუკეთესო მორგების განტოლების სტრიქონიდან. ამის გაკეთება შეგიძლიათ განტოლებებიდან პროგნოზირებული ყველა y მნიშვნელობების შეჯამებით და მიღებული რიცხვის მნიშვნელობებზე დაყოფით. მაგალითად, თუ მნიშვნელობებია 7.8, 8.6 და 9.4, ამ მნიშვნელობების ჯამით მოცემულია 25.8, ხოლო ამ რიცხვის გაყოფა მნიშვნელობების რაოდენობაზე, ამ შემთხვევაში 3 იძლევა 8.6.
ინდივიდუალური მნიშვნელობებიდან გამოკლება საშუალო მნიშვნელობიდან და კვადრატის შედეგად მიღებული რიცხვი. ჩვენს მაგალითში, თუ 7.8 მნიშვნელობას გამოვაკლებთ საშუალო 8.6-ს, მიღებული რიცხვი არის 0.8. ამ მნიშვნელობის კვადრატი იძლევა 0.64-ს.
შეაჯამეთ კვადრატის ყველა მნიშვნელობა ნაბიჯი 4-დან. თუ მე -4 ნაბიჯში მოცემულ ინსტრუქციას გამოიყენებთ ჩვენს მაგალითში მოცემული სამივე მნიშვნელობის მიმართ, ნახავთ 0.64, 0 და 0.64 მნიშვნელობებს. ამ მნიშვნელობების ჯამით მოცემულია 1.28. ეს არის კვადრატების შეცდომის ჯამი.