در این مطلب، ویدئو رگرسیون خطی چندگانه با استفاده از بسته ابزار تجزیه و تحلیل داده اکسل با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:09:13
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:04,970 –> 00:00:07,770
بسیار خوب، بنابراین در این بخش ما
2
00:00:07,770 –> 00:00:10,620
قصد داریم نحوه انجام
3
00:00:10,620 –> 00:00:14,190
رگرسیون خطی چندگانه را با استفاده از اکسل پوشش دهیم و برخی از
4
00:00:14,190 –> 00:00:17,250
شما ممکن است بدانید در اکسل ما بسته ابزار
5
00:00:17,250 –> 00:00:18,690
تجزیه و تحلیل داده ها را داریم
6
00:00:18,690 –> 00:00:21,540
که به شما امکان می دهد کمی
7
00:00:21,540 –> 00:00:23,400
تجزیه و تحلیل آماری را انجام دهید که به آن نیازی نداریم. برای
8
00:00:23,400 –> 00:00:25,860
سرمایه گذاری آن مانند SAS در SPSS
9
00:00:25,860 –> 00:00:29,370
که گفته می شود بسیار ابتدایی است و کاری
10
00:00:29,370 –> 00:00:30,510
که می خواهم با این ویدیو انجام دهم این است که به
11
00:00:30,510 –> 00:00:32,219
شما نشان دهم چگونه یک
12
00:00:32,219 –> 00:00:35,340
مدل رگرسیون خطی چندگانه بسازید فقط با استفاده از آن به جز
13
00:00:35,340 –> 00:00:37,379
نحوه فعال کردن داده ها دارای یک قاشق برگشتی در
14
00:00:37,379 –> 00:00:38,940
صفحهگسترده اکسل خود
15
00:00:38,940 –> 00:00:46,710
به فایل بروید، بنابراین کمی طول میکشد، بنابراین با
16
00:00:46,710 –> 00:00:52,109
توجه به فایل، گزینهها را فشار دهید، سپس گزینهها را در گزینهها فشار دهید.
17
00:00:52,109 –> 00:00:55,010
18
00:00:55,920 –> 00:00:59,950
19
00:00:59,950 –> 00:01:02,230
20
00:01:02,230 –> 00:01:05,920
21
00:01:05,920 –> 00:01:07,210
سمت راست سمت راست، دکمه ای را می بینید
22
00:01:07,210 –> 00:01:10,030
که می گوید تجزیه و تحلیل داده ها را می بینید، روی تجزیه و تحلیل داده ها
23
00:01:10,030 –> 00:01:11,740
کلیک می کنید،
24
00:01:11,740 –> 00:01:14,980
تمام تست هایی که ما انجام دادیم را مشاهده خواهید کرد، آزمون F
25
00:01:14,980 –> 00:01:18,970
را انجام دادیم.
26
00:01:18,970 –> 00:01:21,070
دو نمونه
27
00:01:21,070 –> 00:01:23,650
با فرض واریانس های مساوی نابرابر آن است
28
00:01:23,650 –> 00:01:25,600
دقیقاً در اینجا گزینه
29
00:01:25,600 –> 00:01:27,880
پرخاشگری را می بینید و من به شما نشان می دهم
30
00:01:27,880 –> 00:01:29,619
که چگونه رگرسیون را روی این مجموعه داده در
31
00:01:29,619 –> 00:01:32,830
اینجا انجام دهید، بنابراین من این مجموعه داده را اکنون توضیح می دهم، بنابراین
32
00:01:32,830 –> 00:01:35,140
این یک مجموعه سرطان زا است که خود
33
00:01:35,140 –> 00:01:35,950
مجموعه داده های آموزشی
34
00:01:35,950 –> 00:01:39,280
در مورد 150 مشاهده است. بنابراین ما
35
00:01:39,280 –> 00:01:41,320
جزئیات مربوط به کلاس را داریم که هر
36
00:01:41,320 –> 00:01:44,440
ردیف یک مدل ماشین خاص برای هر ردیف
37
00:01:44,440 –> 00:01:46,900
است که سازنده ها را داریم، بنابراین ما
38
00:01:46,900 –> 00:01:49,509
کادیلاک شورلت v8 w بازرس
39
00:01:49,509 –> 00:01:51,940
مدل خاص را داریم که به ارقام فروش
40
00:01:51,940 –> 00:01:56,140
درست قیمت اسلحه تبدیل شود. سپس
41
00:01:56,140 –> 00:01:58,180
ما اطلاعاتی در مورد خودرو دریافت کردهایم،
42
00:01:58,180 –> 00:02:01,020
بنابراین میتوانید نوع
43
00:02:01,020 –> 00:02:04,840
آن را تشخیص دهید، اگر میبینید بین هیچکدام
44
00:02:04,840 –> 00:02:10,690
از خودروهای شاسیبلند و غیر SUV تمایز قائل میشوید،
45
00:02:10,690 –> 00:02:12,730
سپس ظرفیت موتور یا
46
00:02:12,730 –> 00:02:15,220
حجم موتور را داریم، بنابراین 1.8 لیتر چقدر است.
47
00:02:15,220 –> 00:02:17,290
موتور 3.2 لیتری و غیره
48
00:02:17,290 –> 00:02:20,530
ما ospa را داریم که آمار
49
00:02:20,530 –> 00:02:22,540
شاسی خودرو را داریم مانند طول موج فاصله بین دو محور
50
00:02:22,540 –> 00:02:25,990
ظرفیت سوخت آن و
51
00:02:25,990 –> 00:02:27,100
مسافت پیموده شده خودرو در
52
00:02:27,100 –> 00:02:29,440
صورتی که این مدل رگرسیون چیزی که ما می
53
00:02:29,440 –> 00:02:30,580
خواهیم انجام دهیم این است ما قصد داریم
54
00:02:30,580 –> 00:02:33,630
predi را امتحان کنیم ctive یا تلاش برای برازش مدل
55
00:02:33,630 –> 00:02:36,700
قیمت به عنوان تابعی از همه این
56
00:02:36,700 –> 00:02:40,240
متغیرها درست است، بنابراین اگر من
57
00:02:40,240 –> 00:02:42,580
قیمت را به عنوان تابعی از یک متغیر فشار دهم یا اگر قیمت را به عنوان تابعی از یک
58
00:02:42,580 –> 00:02:44,550
متغیر
59
00:02:44,550 –> 00:02:47,620
مدل کنم، اگر سعی کنم قیمت را به عنوان تابعی
60
00:02:47,620 –> 00:02:49,360
بیش از مدلسازی کنم رگرسیون خطی ساده است. یک متغیر که
61
00:02:49,360 –> 00:02:51,430
رگرسیون خطی فوقالعاده است و شما
62
00:02:51,430 –> 00:02:53,110
میتوانید رگرسیون خطی چندگانه را با استفاده از
63
00:02:53,110 –> 00:02:57,190
ابزار تجزیه و تحلیل دادهها
64
00:02:57,190 –> 00:02:59,530
انجام دهید.
65
00:02:59,530 –> 00:03:01,599
66
00:03:01,599 –> 00:03:04,270
67
00:03:04,270 –> 00:03:06,910
اگر ویدیویی برای ترکیب است، بنابراین
68
00:03:06,910 –> 00:03:08,900
روی جعبه ابزار تجزیه و تحلیل داده ها کلیک
69
00:03:08,900 –> 00:03:10,879
کنید، رگرسیون را روی گزینه ها در
70
00:03:10,879 –> 00:03:14,659
اینجا انتخاب کنید، درست است در
71
00:03:14,659 –> 00:03:17,540
اینجا گزینه ای به نام ورودی محدوده Y ورودی X
72
00:03:17,540 –> 00:03:20,750
محدوده را می بینید، مانند دستمزد Y که باید
73
00:03:20,750 –> 00:03:22,940
متغیر وابسته یا متغیر را وارد کنید.
74
00:03:22,940 –> 00:03:25,849
که می خواهید به درستی مدل کنید در این
75
00:03:25,849 –> 00:03:28,190
مورد، من یک تابع برای
76
00:03:28,190 –> 00:03:28,909
قیمت دریافت
77
00:03:28,909 –> 00:03:31,760
می کنم، بنابراین می گویم قیمت ها متغیر وابسته هستند،
78
00:03:31,760 –> 00:03:35,150
باید همه آن ها را در اینجا انتخاب کنم،
79
00:03:35,150 –> 00:03:37,459
محدوده ورودی X مجموعه ای از
80
00:03:37,459 –> 00:03:39,200
متغیرهای مستقل شما است که اکنون می خواهیم
81
00:03:39,200 –> 00:03:42,109
واریانس قیمت را توضیح دهیم به
82
00:03:42,109 –> 00:03:43,760
مسیر ابزار فکر کنید که همه
83
00:03:43,760 –> 00:03:45,109
متغیرهای مستقل شما باید
84
00:03:45,109 –> 00:03:48,170
با هم باشند تا نتوانید هیچ شکافی
85
00:03:48,170 –> 00:03:49,790
بین متغیرهای مستقل داشته
86
00:03:49,790 –> 00:03:52,129
باشید، بنابراین اگر می خواهید صفحه خود را به گونه ای تنظیم کنید که
87
00:03:52,129 –> 00:03:53,840
همه متغیرهای مستقل یکی پس از دیگری بیایند.
88
00:03:53,840 –> 00:03:56,060
دیگری باید این کار را انجام دهید، بنابراین
89
00:03:56,060 –> 00:03:59,450
من از زمان تا mpg یا از ستونی
90
00:03:59,450 –> 00:04:03,530
به ستون دیگر همه قوانین را انتخاب
91
00:04:03,530 –> 00:04:06,739
می کنم، زیرا می بینید که
92
00:04:06,739 –> 00:04:09,530
سطر اول را نیز انتخاب کرده ام و سعی می کنم مطمئن شوم که
93
00:04:09,530 –> 00:04:11,629
گزینه labels در صورتی که
94
00:04:11,629 –> 00:04:13,819
در ردیف 2 انتخاب کنید، می توانم برچسب ها را نادیده بگیرم، اما
95
00:04:13,819 –> 00:04:15,500
اگر نتیجه می خواهد بدانم
96
00:04:15,500 –> 00:04:17,870
کدام متغیر چیست، بنابراین روی
97
00:04:17,870 –> 00:04:20,060
برچسب ها در اینجا فاصله اطمینان یا
98
00:04:20,060 –> 00:04:23,060
مقادیر آلفا-بتا کلیک می کنم، اجازه دهید به
99
00:04:23,060 –> 00:04:24,860
یک شخص تأیید شده تبدیل شود که خواندن پیش فرض
100
00:04:24,860 –> 00:04:28,130
در خروجی انگلیسی است. اگر
10