এক্সেলত লজিষ্টিক ৰিগ্ৰেছন কেনেকৈ কৰিব লাগে (দ্ৰুত পদক্ষেপৰ সৈতে)

  • এইটো শ্বেয়াৰ কৰক
Hugh West

ৰিগ্ৰেছন বিশ্লেষণ হৈছে বহুলভাৱে ব্যৱহৃত পৰিসংখ্যাগত গণনা। আমি প্ৰায়ে নিজৰ ইচ্ছা অনুসৰি এই ধৰণৰ হিচাপ কৰোঁ। এক্সেলত আমি একাধিক ধৰণৰ ৰিগ্ৰেছন বিশ্লেষণ কৰিব পাৰো। এই লেখাটোত আমি এক্সেলত লজিষ্টিক ৰিগ্ৰেছন কেনেকৈ কৰিব লাগে তাক দেখুৱাম। যদি আপুনিও এই বিশ্লেষণ শিকিবলৈ আগ্ৰহী, অনুশীলন কাৰ্য্যপুস্তিকা ডাউনলোড কৰক আৰু আমাক অনুসৰণ কৰক।

অনুশীলন কাৰ্য্যপুস্তিকা ডাউনলোড কৰক

আপুনি এই প্ৰবন্ধটো পঢ়ি থকাৰ সময়ত অনুশীলনৰ বাবে এই অনুশীলন কাৰ্য্যপুস্তিকা ডাউনলোড কৰক।

লজিষ্টিক ৰিগ্ৰেছন.xlsx

লজিষ্টিক ৰিগ্ৰেছন কি?

লজিষ্টিক ৰিগ্ৰেছন বিশ্লেষণ হৈছে এটা পৰিসংখ্যাগত শিক্ষণ এলগৰিদম যিয়ে কিছুমান স্বতন্ত্ৰ মাপকাঠীৰ ওপৰত ভিত্তি কৰি এটা নিৰ্ভৰশীল চলকৰ মূল্য ভৱিষ্যদ্বাণী কৰিবলৈ ব্যৱহাৰ কৰে। ই এজন ব্যক্তিক তেওঁৰ আকাংক্ষিত শ্ৰেণীৰ ওপৰত ভিত্তি কৰি বৃহৎ ডাটাছেটৰ পৰা ফলাফল লাভ কৰাত সহায় কৰে। লজিষ্টিক ৰিগ্ৰেছন বিশ্লেষণ মূলতঃ তিনিটা প্ৰকাৰৰ:

  1. বাইনাৰী লজিষ্টিক ৰিগ্ৰেছন
  2. মাল্টিনোমিয়াল লজিষ্টিক ৰিগ্ৰেছন
  3. সাধাৰণ লজিষ্টিক ৰিগ্ৰেছন

বাইনাৰী লজিষ্টিক ৰিগ্ৰেছন: বাইনাৰী ৰিগ্ৰেছন বিশ্লেষণ মডেলত আমি এটা শ্ৰেণীক মাত্ৰ দুটা ক্ষেত্ৰৰ দ্বাৰা সংজ্ঞায়িত কৰোঁ। হয়/নাই বা ধনাত্মক/ঋণাত্মক।

বহুতম লজিষ্টিক ৰিগ্ৰেছন: বহুতম লজিষ্টিক বিশ্লেষণে তিনিটা বা তাতকৈ অধিক শ্ৰেণীবিভাজনৰ সৈতে কাম কৰে। যদি আমাৰ তথ্য শ্ৰেণীভুক্ত কৰিবলৈ দুটাতকৈ অধিক শ্ৰেণীভুক্ত অংশ আছে, তেন্তে আমি এই ৰিগ্ৰেছন বিশ্লেষণ আৰ্হি ব্যৱহাৰ কৰিব পাৰো।

অৰ্ডিনেল লজিষ্টিকৰিগ্ৰেছন: এই ৰিগ্ৰেছন বিশ্লেষণ আৰ্হিটোৱে দুটাতকৈ অধিক শ্ৰেণীৰ বাবে কাম কৰে। কিন্তু এই মডেলত, আমাক সিহতক শ্ৰেণীভুক্ত কৰিবলৈ এটা পূৰ্বনিৰ্ধাৰিত ক্ৰমৰ প্ৰয়োজন।

এক্সেলত লজিষ্টিক ৰিগ্ৰেছন কৰিবলৈ ষ্টেপ-বাই-ষ্টেপ পদ্ধতি

এই প্ৰবন্ধটোত আমি বাইনাৰী লজিষ্টিক ৰিগ্ৰেছন সম্পন্ন কৰিম বিশ্লেষণ. এই ধৰণৰ বিশ্লেষণে আমাক আকাংক্ষিত চলকটোৰ ভৱিষ্যদ্বাণী মূল্য প্ৰদান কৰে। বিশ্লেষণটো সম্পন্ন কৰিবলৈ আমি এটা উদ্যোগৰ ১০টা মেচিনৰ ডাটাছেট বিবেচনা কৰোঁ। মেচিনটোৰ উপলব্ধতা ইতিবাচক বা ঋণাত্মক হ’ব পাৰে। বাইনাৰী সংখ্যা 1=ধনাত্মক , আৰু 0=ঋণাত্মক , আৰু এই মানসমূহ স্তম্ভ B ত দেখুওৱা হৈছে। সেই মেচিনবোৰৰ বয়স C স্তম্ভত আৰু প্ৰতি সপ্তাহত ইয়াৰ গড় কৰ্তব্যৰ ঘণ্টা D স্তম্ভত। গতিকে, আমাৰ ডাটাছেটটো B5:D14 কোষৰ পৰিসৰত আছে। মানসমূহৰ প্ৰাৰম্ভিক ৰিগ্ৰেছন সমাধানকাৰী চলকসমূহ C16:D18 কোষৰ পৰিসৰত থাকে। গোটেই বিশ্লেষণ পদ্ধতিটো তলত স্তৰ অনুসৰি ব্যাখ্যা কৰা হৈছে:

স্তৰ ১: আপোনাৰ ডাটাছেট ইনপুট কৰক

এই স্তৰত, আমি আপোনাৰ ডাটাছেট আমদানি কৰিবলৈ ওলাইছো:

  • প্ৰথমে, আপোনাৰ ডাটাছেটটো এক্সেলত সঠিকভাৱে ইনপুট কৰক। আমাৰ বিশ্লেষণৰ বাবে আমি ডাটাছেটটো B5:D14 কোষৰ পৰিসৰত ইনপুট কৰো।

  • তাৰ পিছত, আপোনাৰ <1 ইনপুট কৰক>সমাধানকাৰী সিদ্ধান্ত চলক' আমি সিহঁতক D16:D18 কোষৰ পৰিসৰত ইনপুট কৰো।
  • আমি সকলো চলকৰ মান 0.01 বুলি ধৰি লৈছো।<১০><১৬><০><১৮><৩><০><১>পঢ়কঅধিক: এক্সেল ডাটা ছেটত একাধিক ৰৈখিক ৰিগ্ৰেছন (২টা পদ্ধতি)

    স্তৰ ২: লজিট মান মূল্যায়ন কৰা

    এই পদক্ষেপত আমি গণনা কৰিবলৈ ওলাইছো আমাৰ ডাটাছেটৰ বাবে Logit মান। আমি আমাৰ গণনাত Logit মানক X হিচাপে সংজ্ঞায়িত কৰোঁ। Logit মানৰ সূত্ৰটো হ’ল:

    ইয়াত, b0, b1, আৰু b2 হৈছে ৰিগ্ৰেছন

    • E5 কোষত নিম্নলিখিত সূত্ৰটো লিখা। চলকসমূহৰ কোষ মান ফ্ৰীজ কৰিবলৈ Absolute চিহ্ন ব্যৱহাৰ কৰক। যদি আপুনি নিৰপেক্ষ কোষ প্ৰসংগ চিহ্ন কেনেকৈ ইনপুট কৰিব নাজানে, আপুনি ইয়াক কেইবাটাও ধৰণে ইনপুট কৰিব পাৰে।

    =$D$16+$D$17*C5+$D$18*D5

    • তাৰ পিছত, আপোনাৰ কিবৰ্ডত Enter কি' টিপক।

    • তাৰ পিছত, সূত্ৰটো E14 কোষলৈ কপি কৰিবলে ফিল হেণ্ডেল আইকনত দুবাৰ-ক্লিক কৰক।

    • আপুনি X ৰ সকলো মান পাব।

    অধিক পঢ়ক: এক্সেলত সৰল ৰৈখিক ৰিগ্ৰেছন কেনেকৈ কৰিব লাগে (৪টা সৰল পদ্ধতি)

    স্তৰ ৩: প্ৰতিটো তথ্যৰ বাবে লজিটৰ ঘাত নিৰ্ণয় কৰা

    ইয়াত, আমি লজিটৰ ঘাতীয় মান গণনা কৰিম value, তাৰ বাবে আমি EXP ফাংচন ব্যৱহাৰ কৰিম:

    • X ৰ ঘাতীয় মান নিৰ্ণয় কৰিবলৈ, তলৰ সূত্ৰটো চেলত লিখি থওক F5 :

    =EXP(E5)

    • একেদৰে, সূত্ৰৰ দৰে কপি কৰিবলে ফিল হেণ্ডেল আইকনত ডাবল-ক্লিক পূৰ্বৰ পদক্ষেপটো। আপুনি X ৰ সকলো ঘাতীয় মান পাব।

    স্তৰ ৪: সম্ভাৱনা মান গণনা কৰা

    P( X) হৈছে X পৰিঘটনাটো ঘটাৰ সম্ভাৱনা মান। X পৰিঘটনাৰ সম্ভাৱনাক এনেদৰে সংজ্ঞায়িত কৰিব পাৰি:

    • ইয়াক গণনা কৰিবলৈ, G5<2 কোষত নিম্নলিখিত সূত্ৰটো লিখা>.

    =F5/(1+F5)

    • এণ্টাৰ <2 টিপক>key.
    • এতিয়া, সকলো মানৰ বাবে মান পাবলৈ Fill Handle আইকন G15 লৈ টানি নিয়ক।

    অধিক পঢ়ক: এক্সেলত ৰৈখিক ৰিগ্ৰেছনত P মান কেনেকৈ গণনা কৰিব পাৰি (3 উপায়)

    স্তৰ 5: লগ- Likelihood Value

    তলৰ পদক্ষেপসমূহত আমি Log-Likelihood ৰ মান মূল্যায়ন কৰিবলৈ ওলাইছো। তাৰ পিছত আমি সকলো তথ্য যোগ কৰিবলৈ SUM ফাংচন ব্যৱহাৰ কৰিম:

    • Log-Likelihood মান গণনা কৰিবলৈ আমি যাম আমাৰ ডাটাছেটত LN ফাংচন ব্যৱহাৰ কৰক। H5 কোষত, তলত দিয়া সূত্ৰটো কৰি লিখা:

    =(B5*LN(G5))+((1-B5)*LN(1-G5))

    • এতিয়া, টিপক কিবৰ্ডত Enter কি'।

    • তাৰ পিছত, ডাবল-ক্লিক সকলো লগ-সম্ভাৱ্য মান নিৰ্ধাৰণ কৰিবলে Handle আইকন পূৰণ কৰক।

    • তাৰ পিছত, H15 কোষত, লিখক সকলো মান যোগ কৰিবলৈ তলৰ সূত্ৰটো চাওক।

    =SUM(H5:H14)

    🔍 সূত্ৰৰ ভাঙন

    আমি কৰি আছোএই বিভাজন H5 কোষৰ বাবে।

    👉 LN(G5): এই ফাংচনে -0.384 ঘূৰাই দিয়ে।

    👉 LN(1-G5): এই ফাংচনে -1.144 ঘূৰাই দিয়ে।

    👉 (B5*LN(G5))+((1-B5)* LN(1-G5)): এই ফাংচনে -0.384 ঘূৰাই দিয়ে।

    স্তৰ ৬: চূড়ান্ত বিশ্লেষণৰ বাবে সমাধানকাৰী বিশ্লেষণ সঁজুলি ব্যৱহাৰ কৰক

    এতিয়া, আমি পৰিচালনা কৰিম চূড়ান্ত ৰিগ্ৰেছন বিশ্লেষণ। আমি Solver কমাণ্ডৰ জৰিয়তে বিশ্লেষণটো কৰিম। যদি আপুনি ইয়াক তথ্য টেবত দেখা নাপায়, আপুনি এক্সেল এড-ইন ৰ পৰা সমাধানকাৰী সামৰ্থবান কৰিব লাগিব।

    • ইয়াক সামৰ্থবান কৰিবলৈ, ফাইল > বিকল্পসমূহ .

    • ফলস্বৰূপে, এক্সেল বিকল্পসমূহ নামৰ এটা সংলাপ বাকচ ওলাব।
    • এই সংলাপ বাকচত, এড-ইন বিকল্প নিৰ্ব্বাচন কৰক।
    • এতিয়া, ব্যৱস্থাপনা কৰক বিভাগত এক্সেল এড-ইন বিকল্প নিৰ্ব্বাচন কৰক আৰু যাওক ক্লিক কৰক।

    • এড-ইন শীৰ্ষক এটা সৰু সংলাপ বাকচ ওলাব।
    • তাৰ পিছত, সমাধান এড-ইন বিকল্পটো পৰীক্ষা কৰক আৰু ঠিক আছে ক্লিক কৰক।

    • ইয়াৰ পিছত, তথ্য টেবলৈ যাওক, আৰু আপুনি সমাধান আদেশ পাব বিশ্লেষণ গোটত।

    • এতিয়া, সমাধান আদেশ ক্লিক কৰক।
    • সমাধান প্ৰাচলসমূহ শীৰ্ষক এটা নতুন সংলাপ বাকচ ওলাব।
    • লক্ষ্য নিৰ্ধাৰণ কৰক বাকচত, আপোনাৰ মাউছৰ সৈতে $H$15 কোষ নিৰ্ব্বাচন কৰক। আপুনি আপোনাৰ কিবৰ্ডত কোষ প্ৰসংগও লিখিব পাৰে। নিশ্চিত হওক যে আপুনি ব্যৱহাৰ কৰে নিৰপেক্ষ কোষ প্ৰসংগ ইয়াত চিহ্নিত কৰক।
    • পৰৱৰ্তী, চলক কোষ সলনি কৰি বিকল্পত $D$16:$D$18<2 কোষৰ পৰিসীমা নিৰ্ব্বাচন কৰক>.
    • তাৰ পিছত, অবাধ্য চলকসমূহক অঋণাত্মক কৰক আনচেক কৰক যদি ইতিমধ্যে পৰীক্ষা কৰা ধৰণে দেখুওৱা হৈছে তেন্তে ঋণাত্মক মানসমূহ পাবলৈ।
    • শেষত, ক্লিক কৰক বুটাম সমাধান কৰক।

    • ফলত, সমাধানৰ ফলাফল বাকচটো আপোনাৰ সন্মুখত ওলাব।
    • এতিয়া, সমাধানকাৰী সমাধান ৰাখক নিৰ্ব্বাচন কৰক এই বাকচটোৱে আপোনাক আপোনাৰ ৰিগ্ৰেছন বিশ্লেষণ অভিসৰণ বা বিচ্ছিন্ন হোৱাটোও দেখুৱাব।

    • অৱশেষত, আপুনি ঘৰৰ পৰিসৰত চলকটোৰ মানসমূহ D16:D18 সলনি হোৱা দেখিব। ইয়াৰ উপৰিও আপুনি দেখিব যে E, F, G , আৰু H স্তম্ভৰ মানসমূহেও পূৰ্বৰ পদক্ষেপসমূহৰ পৰা পাৰ্থক্য দেখুৱাইছে।

    🔍 বাইনাৰী ৰিগ্ৰেছন বিশ্লেষণৰ ফলাফলৰ চিত্ৰ

    এক্সেলত বাইনাৰী লজিষ্টিক ৰিগ্ৰেছন বিশ্লেষণ সম্পূৰ্ণ কৰাৰ পিছত আপুনি... চাওক যে আমাৰ ধাৰণা কৰা ৰিগ্ৰেছন ভেৰিয়েবল মান নতুন বিশ্লেষণ মানৰ সৈতে প্ৰতিস্থাপিত কৰা হৈছে আৰু এই মানসমূহ আমাৰ ডাটাছেটৰ সঠিক ৰিগ্ৰেছন ভেৰিয়েবল মান। আমি যিকোনো নিৰ্দিষ্ট তথ্যৰ ফলাফল বিবেচনা কৰিব পাৰো, যেনে মেচিনটোৰ বয়স 68 মাহ আৰু গড় 4 । প্ৰতি সপ্তাহত কোনো শ্বিফ্ট নহয়। P(X) ৰ মান 0.67 । ই আমাক বুজাইছে যে যদি আমি চাওঁকাৰ্য্যকৰী অৱস্থাত থকা মেচিনৰ বাবে সেই ইভেন্টৰ সম্ভাৱনা প্ৰায় 67%

    আমি ইয়াক পৃথকে দেখুৱাব পাৰো, ৰিগ্ৰেছন চলকৰ চূড়ান্ত মান ব্যৱহাৰ কৰি।

    এইদৰে, আমি ক'ব পাৰো যে আমাৰ কামৰ পদ্ধতিয়ে সফলতাৰে কাম কৰিলে আৰু আমি বাইনাৰী লজিষ্টিক ৰিগ্ৰেছন বিশ্লেষণ কৰিবলৈ সক্ষম হৈছো।

    উপসংহাৰ

    এই লেখাটোৰ শেষ হ'ল . আশাকৰোঁ এই লেখাটোৱে আপোনাৰ বাবে সহায়ক হ'ব আৰু আপুনি এক্সেলত লজিষ্টিক ৰিগ্ৰেছন কৰিব পাৰিব। অনুগ্ৰহ কৰি তলৰ মন্তব্য অংশত আমাৰ সৈতে শ্বেয়াৰ কৰক।

    এক্সেল-সম্পৰ্কীয় কেইবাটাও সমস্যা আৰু সমাধানৰ বাবে আমাৰ ৱেবছাইট ExcelWIKI পৰীক্ষা কৰিবলৈ নাপাহৰিব। নতুন নতুন পদ্ধতি শিকি থাকিব আৰু বৃদ্ধি পাই থাকিব!

হিউ ৱেষ্ট এজন অতি অভিজ্ঞ এক্সেল প্ৰশিক্ষক আৰু বিশ্লেষক আৰু তেওঁৰ উদ্যোগটোত ১০ বছৰতকৈও অধিক অভিজ্ঞতা আছে। তেওঁ একাউণ্টিং আৰু বিত্ত বিষয়ত স্নাতক ডিগ্ৰী আৰু ব্যৱসায় প্ৰশাসনত স্নাতকোত্তৰ ডিগ্ৰী লাভ কৰিছে। হিউৰ পাঠদানৰ প্ৰতি আকৰ্ষণ আছে আৰু তেওঁ এক অনন্য শিক্ষকতা পদ্ধতি গঢ়ি তুলিছে যিটো অনুসৰণ আৰু বুজিবলৈ সহজ। এক্সেলৰ বিষয়ে তেওঁৰ বিশেষজ্ঞ জ্ঞানে বিশ্বজুৰি হাজাৰ হাজাৰ ছাত্ৰ-ছাত্ৰী আৰু পেছাদাৰীক তেওঁলোকৰ দক্ষতা বৃদ্ধি আৰু কেৰিয়াৰত উৎকৃষ্টতা প্ৰদৰ্শন কৰাত সহায় কৰিছে। তেওঁৰ ব্লগৰ জৰিয়তে হিউৱে নিজৰ জ্ঞান বিশ্বৰ সৈতে ভাগ-বতৰা কৰে, ব্যক্তি আৰু ব্যৱসায়ীসকলক তেওঁলোকৰ সম্পূৰ্ণ সম্ভাৱনাক লাভ কৰাত সহায় কৰিবলৈ বিনামূলীয়া এক্সেল টিউটোৰিয়েল আৰু অনলাইন প্ৰশিক্ষণ আগবঢ়ায়।