ডেটা মাইনিং-এ রিগ্রেশনের ধরন
রিগ্রেশন একটি সুপারভাইজড মেশিন লার্নিং পদ্ধতির ধরন যা যেকোনো কন্টিনিউয়াস-ভ্যালুড অ্যাট্রিবিউট পূর্বাভাস দিতে ব্যবহৃত হতে পারে। রিগ্রেশন ব্যবসায়িক সংস্থাকে টার্গেট ভেরিয়েবল এবং প্রেডিক্টর ভেরিয়েবলের সম্পর্ক অনুসন্ধান করতে সক্ষম করে। এটি একটি অত্যন্ত গুরুত্বপূর্ণ টুল যা ডেটা অনুসন্ধান করতে ব্যবহৃত হয় যা মনিটারি পূর্বাভাস এবং টাইম সিরিজ মডেলিং-এ ব্যবহার করা যায়।
রিগ্রেশনের বিভিন্ন ধরন
লিনিয়ার রিগ্রেশন (Linear Regression)
লিনিয়ার রিগ্রেশনে দুটি অ্যাট্রিবিউট (অথবা ভেরিয়েবল) ফিট করার জন্য "সেরা" লাইন খুঁজে বের করা জড়িত যাতে একটি অ্যাট্রিবিউট অন্যটি পূর্বাভাস দিতে পারে। মাল্টিপল লিনিয়ার রিগ্রেশন লিনিয়ার রিগ্রেশনের একটি অগ্রগতি, যেখানে দুটির বেশি অ্যাট্রিবিউট জড়িত থাকে এবং ডেটাকে একটি মাল্টিডায়মেনশনাল স্পেসে ফিট করা হয়।
উদাহরণস্বরূপ, সমীকরণটি হল:
Y = a + b*X + e
যেখানে,
a = ইন্টারসেপ্ট (intercept)
b = রিগ্রেশন লাইনের স্লোপ (slope)
e = এরর (error)
X এবং Y = প্রেডিক্টর এবং টার্গেট ভেরিয়েবল যথাক্রমে। যদি X একাধিক ভেরিয়েবলের সমষ্টি হয়, তবে মাল্টিপল লিনিয়ার সমীকরণ।
লিনিয়ার রিগ্রেশনে, বেস্ট ফিট লাইন লিস্ট স্কয়ারড মেথড ব্যবহার করে বাস্তবায়ন করা হয়, এবং এটি প্রতিটি ডেটা পয়েন্ট থেকে রিগ্রেশন লাইন পর্যন্ত বর্গ বিয়োগের মোট যোগফল ন্যূনতম করে। তাই পজিটিভ এবং নেগেটিভ ডেভিয়েশন ক্যাঞ্সেল হয় না কারণ কিছু ডেভিয়েশন বর্গ করা হয়।
পলিনোমিয়াল রিগ্রেশন (Polynomial Regression)
যদি রিগ্রেশন সমীকরণে স্বতন্ত্র ভেরিয়েবলের ঘাত ১-এর বেশি হয়, তবে সেটিকে পলিনোমিয়াল সমীকরণ বলা হয়।
উদাহরণস্বরূপ, সমীকরণটি হল:
Y = a + b * x2
এই নির্দিষ্ট রিগ্রেশনে, বেস্ট ফিট লাইন লিনিয়ার সমীকরণের মতো সधी রেখা নয়; বরং এটি ডেটা পয়েন্টগুলোর সাথে ফিট করা একটি কার্ভ নির্দেশ করে।
লজিস্টিক রিগ্রেশন (Logistic Regression)
যদি ডিপেনডেন্ট ভেরিয়েবল বাইনারি প্রকৃতির হয় (যেমন ০ এবং ১, ট্রু বা ফолস, সাকসেস বা ফেইলার), তবে লজিস্টিক রিগ্রেশন পদ্ধতি প্রয়োগ করা হয়। তাই টার্গেট ভ্যালু (Y) ০ থেকে ১ পর্যন্ত থাকে, এবং এটি সাধারণত ক্লাসিফিকেশন-ভিত্তিক সমস্যার জন্য ব্যবহার করা হয়। লিনিয়ার রিগ্রেশনের বিপরীতে, এটি স্বতন্ত্র ও নির্ভরশীল ভেরিয়েবলের মধ্যে লিনিয়ার সম্পর্ক থাকার প্রয়োজনীয়তা নেই।
রিজ রিগ্রেশন (Ridge Regression)
রিজ রিগ্রেশন একটি প্রক্রিয়া যা মাল্টিকোলিনিয়ারিটি সমস্যাযুক্ত বহু রিগ্রেশন ডেটা গণনা করতে ব্যবহার করা যেতে পারে। মাল্টিকোলিনিয়ারিটি হল দুটি স্বতন্ত্র ভেরিয়েবলের মধ্যে লিনিয়ার কোরিলেশনের উপস্থিতি।
লাসো রিগ্রেশন (Lasso Regression)
LASSO অর্থাৎ Least Absolute Shrinkage and Selection Operator। লাসো রিগ্রেশন রিগ্রেশনের একটি লিনিয়ার পদ্ধতি যা স্ট্রিংকেন্স (shrinkage) ব্যবহার করে। লাসো রিগ্রেশনে, কিছু ডেটা পয়েন্ট একটি কেন্দ্রীয় পয়েন্টের দিকে সিকुड़ে, যাকে মিন (mean) বলা হয়। লাসো প্রসেস সিম্পল এবং স্পার্স মডেলের জন্য সবচেয়ে উপযুক্ত যেগুলো অন্যান্য রিগ্রেশনের চেয়ে কম প্যারামিটার ধারণ করে। এই রিগ্রেশন পদ্ধতি মাল্টিকোলিনিয়ারিটিগ্রস্ত মডেলের জন্য খুব উপযুক্ত।
