সলভার এবং সূত্র ব্যবহার করে এক্সেলে লাইটওয়েট এমএল মডেল তৈরি করুন

এক্সেল মৌলিক মেশিন লার্নিং কাজের জন্য একটি আশ্চর্যজনকভাবে শক্তিশালী টুল।  যদিও এটি একটি মেশিন লার্নিং প্ল্যাটফর্ম নয়, এটি কার্যকরভাবে বিল্ট-ইন ফাংশন এবং সল্ভার ব্যবহার করে লিনিয়ার এবং লজিস্টিক রিগ্রেশনের মতো ভিত্তিগত ML ধারণাগুলি প্রদর্শন করতে ব্যবহার করা যেতে পারে।

এই টিউটোরিয়ালে, আমরা দেখাব কিভাবে সলভার এবং সূত্র ব্যবহার করে এক্সেলে লাইটওয়েট মেশিন লার্নিং মডেল তৈরি করা যায়।

• লিনিয়ার রিগ্রেশন: ক্রমাগত মান অনুমান করুন (বিক্রয় রাজস্ব, বাড়ির দাম, পরীক্ষার স্কোর, ইত্যাদি)।
• লজিস্টিক রিগ্রেশন: হ্যাঁ/না ফলাফলের পূর্বাভাস দিন (গ্রাহকের ক্রয়, ঋণ খেলাপি, চিকিৎসা নির্ণয়, পাস/ফেল, ইত্যাদি)।

পূর্বশর্ত:

• Microsoft Excel (2016 বা তার পরে প্রস্তাবিত)।
• সলভার অ্যাড-ইন সক্ষম করুন।
  • ফাইল -এ যান ট্যাব>> বিকল্প নির্বাচন করুন>> অ্যাড-ইনস নির্বাচন করুন>> এক্সেল অ্যাড-ইনস নির্বাচন করুন .
  • যান এ ক্লিক করুন .

• • সল্ভার অ্যাড-ইন নির্বাচন করুন .
  • ঠিক আছে ক্লিক করুন .

• রিগ্রেশন ধারণার প্রাথমিক ধারণা।

পার্ট 1:লিনিয়ার রিগ্রেশন মডেল

লিনিয়ার রিগ্রেশন ডেটা পয়েন্টের মাধ্যমে ক্রমাগত সংখ্যাসূচক মানগুলির পূর্বাভাস দেওয়ার জন্য সেরা সরল রেখা খুঁজে পায়। আমরা একটি সাধারণ ব্যবসায়িক দৃশ্যের মডেল করব যেখানে বিজ্ঞাপন খরচ (X) বিক্রয় আয়ের (Y) পূর্বাভাস দেয়। প্রতিটি ডেটা পয়েন্ট এক মাসের ব্যবসায়িক ডেটা উপস্থাপন করে৷

ধাপ 1:নমুনা ডেটা সেট আপ করা

একটি বাস্তবসম্মত ডেটাসেট তৈরি করুন যা ইনপুট (হাজারে বিজ্ঞাপন খরচ) এবং আউটপুট (হাজার হাজারে বিক্রয় আয়) এর মধ্যে একটি স্পষ্ট রৈখিক সম্পর্ক দেখায়।

প্রতিটি সারি এক মাসের ব্যবসার ডেটা। বিজ্ঞাপনের ব্যয় বৃদ্ধির সাথে সাথে বিক্রয় আয়ও বৃদ্ধি পায়, তবে পুরোপুরি নয় (কিছু এলোমেলোতা আছে, যা বাস্তবসম্মত)।

ধাপ 2:ভবিষ্যদ্বাণী সূত্র তৈরি করুন

গাণিতিক "নবস" সেট আপ করুন যা আমাদের মডেল সেরা লাইন খুঁজে পেতে সামঞ্জস্য করবে। রৈখিক রিগ্রেশনে, আমাদের দুটি পরামিতি প্রয়োজন:

• ইন্টারসেপ্ট (b0) :যেখানে লাইনটি Y-অক্ষ অতিক্রম করে ($0 বিজ্ঞাপন সহ বেসলাইন বিক্রয়)।
• ঢাল (b1) :বিজ্ঞাপনে প্রতি $1000 বৃদ্ধির জন্য কত বিক্রয় বৃদ্ধি পায়।

আলাদা কক্ষে মডেল প্যারামিটার সেট আপ করুন:

মডেল প্যারামিটার:

Predicted Y = b0 + b1 * X

• ইন্টারসেপ্ট (b0)
• প্রাথমিক মান 0
• ঢাল (b1)
• প্রাথমিক মান 1

বিজ্ঞাপন খরচের উপর ভিত্তি করে বিক্রয়ের পূর্বাভাস দিতে আমরা এই রৈখিক সমীকরণটি ব্যবহার করব। এটি মডেলের মূল, এবং এটি বিজ্ঞাপনের পরিমাণ নেয় এবং বিক্রয় কেমন হওয়া উচিত তা অনুমান করে।

গাণিতিক অর্থ:

• যদি b0 =0.5 এবং b1 =2, তাহলে বিজ্ঞাপনে $3k খরচ করে ভবিষ্যদ্বাণী করে:0.5 + 2*3 =$6.5k বিক্রয়।
• মডেলটি ডেটা থেকে b0 এবং b1-এর জন্য সেরা মানগুলি শিখে৷
৷

ভবিষ্যদ্বাণী সূত্র:

• একটি ঘর নির্বাচন করুন এবং নিম্নলিখিত সূত্রটি সন্নিবেশ করুন।

• এই সূত্রটি F11 এ টেনে আনুন।

পদক্ষেপ 4:অবশিষ্টাংশ এবং ত্রুটি গণনা করুন

আমাদের ভবিষ্যদ্বাণী কতটা ভুল তা পরিমাপ করুন। এটি অত্যন্ত গুরুত্বপূর্ণ কারণ মডেলটি এই ত্রুটিগুলি কমানোর চেষ্টা করে শেখে৷

• অবশিষ্ট: প্রতি মাসের জন্য প্রকৃত বিক্রয় এবং পূর্বাভাসিত বিক্রয়ের মধ্যে পার্থক্য।
• বর্গক্ষেত্র ত্রুটি: অবশিষ্টাংশ বর্গক্ষেত্র (সমস্ত ত্রুটিকে ইতিবাচক করতে এবং বড় ত্রুটিগুলিকে আরও শাস্তি দিতে)।

অবশিষ্ট:

• সূত্রটি G11-এ টেনে আনুন।

বর্গক্ষেত্র ত্রুটি:

• সূত্রটিকে H11-এ টেনে আনুন৷

ধাপ 5:ত্রুটি মেট্রিক্স গণনা করুন

মডেল কর্মক্ষমতা ব্যবসা-অর্থপূর্ণ পরিমাপ তৈরি করুন. এই মেট্রিকগুলি বুঝতে সাহায্য করে যে মডেলটি বাস্তব-বিশ্ব ব্যবহারের জন্য যথেষ্ট ভাল।

একটি নির্দিষ্ট এলাকায় মূল মেট্রিক্স সেট আপ করুন:

ত্রুটি মেট্রিক্স:

• বর্গীয় ত্রুটির সমষ্টি (SSE): সমস্ত ভবিষ্যদ্বাণী জুড়ে মোট ত্রুটি - কম ভাল।

• রুট মিন স্কোয়ার্ড ত্রুটি (RMSE): আসল ইউনিটে গড় ত্রুটি ($000s) – ব্যাখ্যা করা সহজ।

• R-স্কোয়ার্ড: বিক্রয়ের বৈচিত্র্যের শতাংশ বিজ্ঞাপন দ্বারা ব্যাখ্যা করা হয়েছে (0-100%, উচ্চতর ভাল)।

=1-(K2/SUMPRODUCT((B2:B11-AVERAGE(B2:B11))^2))

• মান সম্পূর্ণ ত্রুটি (MAE): গড় পরম ত্রুটি – RMSE-এর তুলনায় কম সংবেদনশীল।

পদক্ষেপ 6:পরামিতি অপ্টিমাইজ করতে সল্ভার ব্যবহার করুন

এক্সেলকে স্বয়ংক্রিয়ভাবে ইন্টারসেপ্ট এবং ঢালের জন্য সর্বোত্তম মান খুঁজে পেতে দিন যা ভবিষ্যদ্বাণী ত্রুটি কমিয়ে দেয়।

• ডেটা -এ যান ট্যাব>> সল্ভার নির্বাচন করুন .
• উদ্দেশ্য সেট করুন:K2 (SSE সেল)।
• প্রতি:মিনিট .
• ভেরিয়েবল সেল পরিবর্তন করে:E3,E5 (আপনার প্যারামিটার)।
• সমাধান এ ক্লিক করুন .

• ঠিক আছে ক্লিক করুন .

• এটি b0 এবং b1 এর লক্ষ লক্ষ বিভিন্ন সমন্বয় চেষ্টা করে।
• প্রতিটি সংমিশ্রণের জন্য মোট ত্রুটি গণনা করে।
• নিম্নতম ত্রুটির সংমিশ্রণটি খুঁজে না পাওয়া পর্যন্ত সামঞ্জস্য বজায় রাখে।
• এটি অনুমান করার চেয়ে অনেক দ্রুত এবং আরও নির্ভুল৷
৷

ধাপ 7:ভিজ্যুয়ালাইজেশন তৈরি করুন

মডেলের ভিজ্যুয়াল বৈধতা বোধগম্য। দেখা যাক ভবিষ্যদ্বাণী লাইনটি বেশিরভাগ ডেটা পয়েন্টের কাছাকাছি চলে যাচ্ছে।

• বিজ্ঞাপন এবং বিক্রয় কলাম নির্বাচন করুন।
• ঢোকান -এ যান ট্যাব>> চার্ট থেকে>> স্ক্যাটার প্লট নির্বাচন করুন .

• চার্টে ডান ক্লিক করুন>> ডেটা নির্বাচন করুন>> সিরিজ যোগ করুন নির্বাচন করুন .
  • সিরিজের নাম: সেল F1 নির্বাচন করুন।
  • সিরিজ X মান: X-মান নির্বাচন করুন (যেমন, B2:B11)
  • সিরিজ Y মান: ক্লিক করুন এবং পূর্বাভাসিত মান নির্বাচন করুন F2:F11৷
  ৷
• একটি লাইন হিসাবে ভবিষ্যদ্বাণী সিরিজ ফর্ম্যাট করুন।

• ভবিষ্যদ্বাণী লাইনটি ডেটা পয়েন্টের সাধারণ প্রবণতা অনুসরণ করে।
• পয়েন্টগুলি লাইনের চারপাশে ছড়িয়ে ছিটিয়ে আছে (সব উপরে বা নীচে নয়)।
• অবশিষ্টগুলিতে কোন সুস্পষ্ট নিদর্শন নেই।

অংশ 2:লজিস্টিক রিগ্রেশন মডেল

লজিস্টিক রিগ্রেশন হ্যাঁ/না সিদ্ধান্তের সম্ভাবনার পূর্বাভাস দেয়। রৈখিক রিগ্রেশনের বিপরীতে, যা সঠিক সংখ্যার পূর্বাভাস দেয়, লজিস্টিক রিগ্রেশন কিছু ঘটার সম্ভাবনার পূর্বাভাস দেয় (0-100%)।

ধাপ 1:বাইনারি ক্লাসিফিকেশন ডেটা প্রস্তুত করুন

আসুন মডেল গ্রাহক ক্রয় আচরণ. গ্রাহকের আয়ের স্তরের (X) উপর ভিত্তি করে, আমরা ভবিষ্যদ্বাণী করতে চাই যে তারা আমাদের প্রিমিয়াম পণ্য (1) কিনবে কি না (0)। এটি বিপণনের লক্ষ্যমাত্রা, চিকিৎসা নির্ণয় বা যেকোনো বাইনারি সিদ্ধান্তের জন্য সাধারণ।

লজিস্টিক রিগ্রেশনের জন্য ডেটা সেট আপ করুন:

গ্রাহকের আয়ের মাত্রা ($10k ইউনিটে) এবং ক্রয়ের সিদ্ধান্ত। লক্ষ্য করুন কিভাবে নিম্ন-আয়ের গ্রাহকরা (1-5) ক্রয় না করার প্রবণতা (0), যখন উচ্চ-আয়ের গ্রাহকরা (6-10) কেনার প্রবণতা (1)। এটি বাস্তবসম্মত ক্রয় প্যাটার্ন প্রতিফলিত করে।

ধাপ 2:লজিস্টিক পূর্বাভাস সূত্র তৈরি করুন

লজিস্টিক মডেল প্যারামিটার শুরু করুন:

লজিস্টিক ফাংশনের জন্য পরামিতি সেট আপ করুন। রৈখিক রিগ্রেশনের বিপরীতে, এই প্যারামিটারগুলি আরও জটিল গাণিতিক রূপান্তরের (সিগমায়েড ফাংশন) মাধ্যমে কাজ করে।

• ইন্টারসেপ্ট (b0) :থ্রেশহোল্ড বাম বা ডানে স্থানান্তর করে (যেখানে 50% সম্ভাবনা দেখা দেয়)।
• ঢাল (b1) :"অসম্ভাব্য" থেকে "সম্ভাব্য" এ রূপান্তর কতটা খাড়া তা নিয়ন্ত্রণ করে।
• প্রাথমিক মান :আমরা যুক্তিসঙ্গত অনুমান দিয়ে শুরু করি; সমাধানকারী তাদের অপ্টিমাইজ করবে।

লজিস্টিক প্যারামিটার:

Probability = 1 / (1 + e^(-(b0 + b1×X)))

• ইন্টারসেপ্ট (b0)
• -2 (প্রাথমিক মান)
• ঢাল (b1)
• 0.5 (প্রাথমিক মান)

লজিস্টিক পূর্বাভাস সূত্র তৈরি করুন:

সিগমায়েড ফাংশন ব্যবহার করে রৈখিক সংমিশ্রণকে সম্ভাব্যতায় রূপান্তর করুন। এটি হল গাণিতিক জাদু যা 0 এবং 1 এর মধ্যে ভবিষ্যদ্বাণী রাখে।

• লিনিয়ার কম্বিনেশন :b0 + b1*X (লিনিয়ার রিগ্রেশনের মতোই)।
• সিগময়েড ট্রান্সফর্ম :1/(1+e^(-(লিনিয়ার কম্বিনেশন))) যেকোনো সংখ্যাকে 0-1 রেঞ্জে রূপান্তর করে।
• ফলাফল :একটি মসৃণ S-বক্ররেখা যা সম্ভাব্যতার প্রতিনিধিত্ব করে। যদি সম্ভাবনা 0.7 হয়, তাহলে এই গ্রাহকের কেনার সম্ভাবনা 70% আছে।

সম্ভাব্যতা পূর্বাভাস: 

• লিনিয়ার কম্বিনেশন:

• সম্ভাব্যতা পূর্বাভাস:

• কক্ষগুলিকে শতাংশ (%) হিসাবে ফর্ম্যাট করুন .

পদক্ষেপ 4:লগ-সম্ভাবনা গণনা করুন

আমাদের সম্ভাব্যতা ভবিষ্যদ্বাণী প্রকৃত ফলাফলের সাথে কতটা ভালোভাবে মেলে তা পরিমাপ করুন। এটি সাধারণ ত্রুটির চেয়ে জটিল কারণ আমরা সম্ভাব্যতা নিয়ে কাজ করছি, সঠিক মান নয়।

লগ-সম্ভাবনা উপাদান:

=IF(B2=1,LN(MAX(G2,0.0001)),LN(MAX(1-G2,0.0001)))

• বাইনারী ফলাফলের জন্য, আমরা সরল বিয়োগ (প্রকৃত - পূর্বাভাসিত) ব্যবহার করতে পারি না।
• পরিবর্তে, আমরা পরিমাপ করি যে আমাদের ভবিষ্যদ্বাণী দেওয়া প্রকৃত ফলাফল দ্বারা আমরা কতটা "বিস্মিত"।
• যদি আমরা ভবিষ্যদ্বাণী করি ক্রয়ের 90% সম্ভাবনা এবং গ্রাহক কিনলে, আমরা অবাক হই না (ভাল মডেল)।
• যদি আমরা ক্রয়ের 10% সম্ভাবনা ভবিষ্যদ্বাণী করি এবং গ্রাহক কেনেন, আমরা খুব অবাক হই (খারাপ মডেল)।

ধাপ 5:লজিস্টিক মডেল মেট্রিক্স সেট আপ করুন

শ্রেণীবিভাগ কর্মক্ষমতা ব্যবসা-প্রাসঙ্গিক ব্যবস্থা তৈরি করুন. এই মেট্রিকগুলি প্রকৃত ব্যবসায়িক সিদ্ধান্ত নেওয়ার জন্য মডেলটি যথেষ্ট ভাল কিনা তা নির্ধারণ করতে সহায়তা করে৷

উচ্চ নির্ভুলতা মানে কম নষ্ট মার্কেটিং ডলার (কম মিথ্যা ইতিবাচক)। উচ্চ প্রত্যাহার মানে আমরা সম্ভাব্য গ্রাহকদের মিস করি না (কম মিথ্যা নেতিবাচক)।

লজিস্টিক মেট্রিক্স:

• মডেল ফিট/নেতিবাচক লগ-সম্ভাবনা: নিম্ন মান মানে ভালো সম্ভাবনার পূর্বাভাস।

• নির্ভুলতা: সঠিকভাবে শ্রেণীবদ্ধ করা গ্রাহকদের শতাংশ (যদি আমরা একটি কাটঅফ হিসাবে 50% ব্যবহার করি)।

=SUMPRODUCT((G2:G11>0.5)*(B2:B11=1)+(G2:G11<=0.5)*(B2:B11=0))/10

• নির্ভুলতা: আমরা ভবিষ্যদ্বাণী করেছি কত শতাংশ গ্রাহক কিনবেন এবং কত শতাংশ কিনবেন?

=IF(SUMPRODUCT((G2:G11>0.5))=0,"No Predictions",SUMPRODUCT((G2:G11>0.5)*(B2:B11=1))/SUMPRODUCT((G2:G11>0.5)))

• রিকল: কত শতাংশ গ্রাহক কিনেছেন, আমরা কত শতাংশ শনাক্ত করেছি?

=SUMPRODUCT((G2:G11>0.5)*(B2:B11=1))/SUMPRODUCT(B2:B11)

ধাপ 6:সমাধানের সাথে লজিস্টিক মডেল অপ্টিমাইজ করুন

ডেটাতে সম্ভাব্যতার প্যাটার্নের সাথে সবচেয়ে উপযুক্ত প্যারামিটার মানগুলি খুঁজুন। সমাধানকারী নেতিবাচক লগ-সম্ভাবনা কমিয়ে দেয়, যা প্রকৃত ডেটা পর্যবেক্ষণের সম্ভাবনাকে সর্বাধিক করে।

• ডেটা -এ যান ট্যাব>> সল্ভার নির্বাচন করুন .
• উদ্দেশ্য সেট করুন:K2 (নেতিবাচক লগ-সম্ভাবনা)।
• প্রতি:মিনিট .
• ভেরিয়েবল সেল পরিবর্তন করে:E3,E5 .
• সমাধান এ ক্লিক করুন .

সাধারণ সমস্যা সমাধান করুন

• সল্ভার একত্রিত হচ্ছে না :বিভিন্ন প্রাথমিক মান চেষ্টা করুন বা পুনরাবৃত্তি বাড়ান৷
• নেতিবাচক R-বর্গ :ডেটা এন্ট্রি ত্রুটি বা মডেল স্পেসিফিকেশন পরীক্ষা করুন।
• লজিস্টিকে নিখুঁত বিচ্ছেদ :বৈশিষ্ট্যের মান হ্রাস করুন বা নিয়মিতকরণ যোগ করুন।

উপসংহার

এই টিউটোরিয়ালটি এক্সেলে সরাসরি মেশিন লার্নিং মডেল তৈরি করার ধাপে ধাপে পদ্ধতি দেখায়। এক্সেলের বিশেষ ML টুলের তুলনায় সীমাবদ্ধতা থাকলেও, এটি মডেল মেকানিক্স বোঝার জন্য স্বচ্ছতা এবং অ্যাক্সেসযোগ্যতা প্রদান করে। এক্সেলের সমাধানকারী এবং মৌলিক সূত্রগুলি ব্যবহার করে, আপনি এই লাইটওয়েট মেশিন লার্নিং মডেলগুলিকে দ্রুত বাস্তবায়ন করতে পারেন, ভবিষ্যদ্বাণীগুলি কল্পনা করতে পারেন এবং একটি সহজ অথচ অন্তর্দৃষ্টিপূর্ণ পদ্ধতির মাধ্যমে মডেলের সঠিকতা বুঝতে পারেন৷ এখানে দেখানো কৌশলগুলি আরও জটিল পরিস্থিতিতে প্রসারিত করা যেতে পারে এবং রিগ্রেশন ধারণা শেখার জন্য শিক্ষামূলক সরঞ্জাম হিসাবে কাজ করে৷