तकनीकी गाइड

बहुसंरेखता और विचरण मुद्रास्फीति कारक

बहुसंरेखता तब होती है जब एक प्रतिगमन में भविष्यवक्ता ओवरलैपिंग जानकारी ले जाते हैं, जिससे उनके व्यक्तिगत योगदान को अलग करना मुश्किल हो जाता है।

इस गाइड को सुनेंएआई-नैरेटेड · ~3 min

इस पृष्ठ पर4 मिनट पढ़ें
  1. सिंहावलोकन
  2. गहरा गोता
  3. वास्तविक विश्व कार्यान्वयन
  4. बहुसंरेखता और विचरण मुद्रास्फीति कारक का भविष्य
  5. इसे व्यवहार में लाना
  6. अन्वेषण करते रहें
  7. अक्सर पूछे जाने वाले प्रश्नों

सिंहावलोकन

विचरण मुद्रास्फीति कारक (वीआईएफ) यह निर्धारित करता है कि किसी गुणांक का विचरण अन्य भविष्यवक्ताओं के साथ उसके रैखिक संबंध से कितना बढ़ जाता है, लेकिन यह तय नहीं करता है कि मॉडल में कौन से चर शामिल हैं।

गहरा गोता

अन्य भविष्यवक्ताओं को स्थिर रखते हुए एक प्रतिगमन गुणांक की व्याख्या की जाती है। यदि डेटा में ऐसे कुछ मामले हैं जहां एक भविष्यवक्ता दूसरे से स्वतंत्र रूप से बदलता है, तो वह तुलना कमजोर रूप से समर्थित है। फिट किया गया मॉडल अभी भी प्रतिक्रिया की अच्छी तरह से भविष्यवाणी कर सकता है, फिर भी नमूने में छोटे बदलाव व्यक्तिगत गुणांक, उनके संकेतों या मानक त्रुटियों में बड़े बदलाव ला सकते हैं। यही कारण है कि संरेखता अक्सर भविष्यवाणी की तुलना में स्पष्टीकरण को अधिक सीधे नुकसान पहुँचाती है। भविष्यवक्ता जे के लिए, इसे अन्य भविष्यवक्ताओं पर पुनः प्राप्त करें और निर्धारण के गुणांक आर-वर्ग की गणना करें। इसका विचरण मुद्रास्फीति कारक VIF_j = 1/(1 - R-squared_j) है। यदि अन्य भविष्यवक्ता अधिकांश भविष्यवक्ता जे की व्याख्या करते हैं, तो हर छोटा है और इसका वीआईएफ बड़ा है। एक सरल काल्पनिक गणना में, यदि R-squared_j 0.8 है, तो VIF 1/(1 - 0.8) = 5 है। रैखिक-मॉडल सेटअप के तहत, इसका मतलब है कि उस गुणांक का विचरण तुलनीय अवशिष्ट विचरण के साथ एक ऑर्थोगोनल भविष्यवक्ता तुलना के तहत पांच गुना होगा; इसकी मानक त्रुटि को पाँच के वर्गमूल से गुणा किया जाता है। वीआईएफ एक निदान है, सार्वभौमिक पास/असफल सीमा नहीं। एक बड़ा मूल्य ओवरलैप की पहचान करता है लेकिन यह नहीं बता सकता कि क्या यह वैज्ञानिक रूप से समझदार है, क्या एक चर को हटाना है, या क्या मॉडल अमान्य है। पूर्ण रैखिक निर्भरता सामान्य डिज़ाइन मैट्रिक्स में गुणांक को गैर-पहचानने योग्य बनाती है, जबकि निकट निर्भरता अनुमान को संभव लेकिन अस्थिर बना देती है। गुणांक अनिश्चितता, भविष्यवक्ता परिभाषाएँ, डिज़ाइन मैट्रिक्स और अध्ययन उद्देश्य का निरीक्षण करें। संभावित प्रतिक्रियाओं में उन टिप्पणियों को एकत्र करना शामिल है जो भविष्यवक्ता के प्रभावों को अलग करते हैं, उचित होने पर अनावश्यक उपायों को जोड़ते हैं, पूर्व ज्ञान के आधार पर एक भविष्यवक्ता को चुनते हैं, या भविष्यवाणी लक्ष्य होने पर रिज रिग्रेशन जैसे नियमितीकरण का उपयोग करते हैं। केवल वीआईएफ को कम करने के लिए एक वेरिएबल को हटाने से छोड़ा गया-वेरिएबल पूर्वाग्रह पैदा हो सकता है या प्रश्न बदल सकता है। केन्द्रीकरण बहुपद पदों या अंतःक्रियाओं द्वारा शुरू किए गए गैर-आवश्यक सहसंबंध में मदद कर सकता है, लेकिन यह सभी वास्तविक ओवरलैप को हल नहीं करता है। चुने गए मॉडल को दोबारा सुधारें और उसका मूल्यांकन करें, और समझाएं कि इसके गुणांक क्या समर्थन कर सकते हैं और क्या नहीं।

वास्तविक विश्व कार्यान्वयन

एक काल्पनिक आवास मॉडल में वर्ग फुट में फर्श क्षेत्र और वर्ग मीटर में फर्श क्षेत्र दोनों शामिल हैं। क्योंकि एक दूसरे का निश्चित पुनर्स्केलिंग है, डिज़ाइन मैट्रिक्स अनावश्यक है; एक इकाई को बनाए रखने से डुप्लिकेट जानकारी से बचा जा सकता है।

एक विश्लेषक दूरी और अनुमानित ईंधन उपयोग के साथ एक यात्रा-समय मॉडल का अनुमान लगाता है, जो नमूना मार्गों पर दृढ़ता से सह-चलता है। एक उच्च वीआईएफ अस्थिर एट्रिब्यूशन को चिह्नित करता है, भले ही भविष्यवाणियां समान मार्गों के भीतर उपयोगी रहें।

एक स्वास्थ्य शोधकर्ता उम्र और जन्म के बाद के वर्षों को अलग-अलग रिकॉर्ड करता है। उनकी साझा जानकारी अलग-अलग गुणांक व्याख्याओं को कमजोर बनाती है; डोमेन तर्क यह निर्धारित कर सकता है कि क्या एक माप या एक अलग कंट्रास्ट अध्ययन प्रश्न का उत्तर देता है।

एक टीम बहुपद मॉडल में उपयोग किए गए भविष्यवक्ता को केंद्रित करने से पहले और बाद में वीआईएफ की तुलना करती है। मॉडल की व्याख्या और डिज़ाइन का निरीक्षण करने की आवश्यकता को संरक्षित करते हुए, केंद्रीकरण कच्चे और वर्ग शब्दों के बीच गैर-आवश्यक संरेखता को कम कर सकता है।

बहुसंरेखता और विचरण मुद्रास्फीति कारक का भविष्य

प्रतिगमन रिपोर्ट भविष्यवक्ता परिभाषाओं, गुणांक अंतराल, वीआईएफ डायग्नोस्टिक्स और भविष्यवाणी प्रदर्शन को एक साथ दिखाकर संरेखता को आंकना आसान बना सकती है। भविष्य के विश्लेषणों में यह अंतर होना चाहिए कि क्या उद्देश्य स्थिर एट्रिब्यूशन, पूर्वानुमान या दोनों है, क्योंकि उपचार अलग-अलग हैं। जब नया डेटा एकत्र करना संभव हो, तो जानबूझकर अलग-अलग भविष्यवक्ताओं वाले मामलों को स्वतंत्र रूप से प्राप्त करने से व्याख्या में सुधार हो सकता है। जब डेटा संग्रह नहीं बदल सकता है, तो एक नियमित मॉडल या एक पारदर्शी संयुक्त उपाय उपयुक्त हो सकता है, जिसके ट्रेडऑफ़ दस्तावेज़ीकृत हों। सुविधा सेट या जनसंख्या में परिवर्तन होने पर मूल्यांकन दोहराएँ; कल के भविष्यवक्ता रिश्तों को एक नए नमूने का वर्णन करने की आवश्यकता नहीं है।

इसे व्यवहार में लाना

यह क्यों मायने रखता है?

  • लागत और बजट. वास्तुकला संबंधी निर्णय वर्षों तक प्रदर्शन और परिचालन लागत को संचालित करते हैं।
  • स्पष्ट निर्णय. तकनीकी शिक्षा टीमों को सही स्टैक चुनने में मदद करती है, न कि केवल नवीनतम स्टैक चुनने में।
  • गुणवत्ता नियंत्रण. बेहतर इंजीनियरिंग विकल्प उत्पादन में विश्वसनीयता की घटनाओं को कम करते हैं।

का ध्यान रखें

  • एक बेंचमार्क को अनुकूलित करने से व्यापक सिस्टम कमजोरियों को छुपाया जा सकता है।
  • बुनियादी ढांचे और रखरखाव की लागत को अक्सर कम करके आंका जाता है।
  • जैसे-जैसे सिस्टम अधिक जटिल होते जाएंगे सुरक्षा और अवलोकन संबंधी अंतराल बढ़ सकते हैं।

अगले चरण

  1. कार्यान्वयन से पहले विलंबता, गुणवत्ता और लागत लक्ष्य परिभाषित करें।
  2. यथार्थवादी लोड और डेटा स्थितियों के तहत बेंचमार्क।
  3. त्रुटियों, बहाव और उपयोगकर्ता प्रभाव के लिए उपकरण निगरानी।
  4. स्केलिंग से पहले रोलबैक और घटना प्रतिक्रिया पथ तैयार करें।

अन्वेषण करते रहें

मुफ़्त न्यूज़लेटर

दैनिक एआई ब्रीफिंग प्राप्त करें

हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।

प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।

स्वयं की जांच करो

Take the Multicollinearity and Variance Inflation Factor quiz

प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।

प्रश्नोत्तरी प्रारंभ करें

निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें

अक्सर पूछे जाने वाले प्रश्नों

बहुसंरेखता और भिन्नता मुद्रास्फीति कारक क्या है?

बहुसंरेखता तब होती है जब एक प्रतिगमन में भविष्यवक्ता ओवरलैपिंग जानकारी ले जाते हैं, जिससे उनके व्यक्तिगत योगदान को अलग करना मुश्किल हो जाता है। विचरण मुद्रास्फीति कारक (वीआईएफ) यह निर्धारित करता है कि किसी गुणांक का विचरण अन्य भविष्यवक्ताओं के साथ उसके रैखिक संबंध से कितना बढ़ जाता है, लेकिन यह तय नहीं करता है कि मॉडल में कौन से चर शामिल हैं।

दो भविष्यवक्ता एक ही माप के सटीक इकाई रूपांतरण हैं। यह सामान्य डिज़ाइन मैट्रिक्स में क्या समस्या उत्पन्न करता है?

एक स्तंभ दूसरे का स्थिर गुणज है, इसलिए मॉडल दोनों गुणांकों की अलग-अलग पहचान नहीं कर सकता है।

एक मॉडल अच्छी भविष्यवाणी करता है, लेकिन दो सहसंबद्ध भविष्यवक्ताओं के गुणांक के संकेत नमूनों में बदल जाते हैं। कौन सी व्याख्या फिट बैठती है?

संरेखता अलग-अलग गुणांक अनुमानों को अस्थिर बना सकती है, भले ही प्रेक्षित शासन के भीतर भविष्यवाणियां उपयोगी हों।

एक VIF बड़ा है. अकेले उस मूल्य से कौन सा निष्कर्ष उचित है?

वीआईएफ शामिल डिज़ाइन कॉलम में ओवरलैप का निदान करता है; यह स्वयं कोई उपाय नहीं बताता या भविष्यवाणी का मूल्यांकन नहीं करता।

5 के वीआईएफ के लिए, बताई गई तुलना के तहत गुणांक मानक त्रुटि को किस कारक से बढ़ाया गया है?

पाँच की विचरण मुद्रास्फीति पाँच के वर्गमूल द्वारा मानक-त्रुटि मुद्रास्फीति से मेल खाती है।

उच्च-वीआईएफ सुविधा को छोड़ना खराब स्वचालित प्रतिक्रिया क्यों हो सकती है?

सुविधा वैज्ञानिक रूप से महत्वपूर्ण हो सकती है, और इसे हटाने से व्याख्या बदल सकती है या प्रासंगिक जानकारी छूट सकती है।

सीखते रहो

संबंधित मार्गदर्शिकाएँ

इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं

निःशुल्क AI प्रमाणपत्र प्राप्त करेंएक संक्षिप्त निःशुल्क पाठ्यक्रम और परीक्षा। कोई कीमत नहीं, कोई कार्ड नहीं. लगभग 2.5 घंटे.निःशुल्क प्रारंभ करें →