الارتباط مقابل الانحدار: الفرق بين الارتباط والانحدار

ترتبط الحاجة الأساسية للفرق بين كلا المصطلحين بالنهج التحليلي الإحصائي الذي يقدمه للعثور على الروابط المتبادلة بين متغيرين. يتم استخدام مقياس كل من هذه الروابط وتأثير تلك التوقعات لتحديد تلك الأنماط التحليلية في حياتنا اليومية.

من السهل الخلط بين المصطلحين. إليك كيفية إبراز الاختلاف بينهما بملاحظة رئيسية. الفرق الرئيسي في الارتباط مقابل الانحدار هو أن مقاييس درجة العلاقة بين متغيرين ؛ فليكن x و y. هنا ، الارتباط هو لقياس الدرجة ، في حين أن الانحدار هو معلمة لتحديد كيفية تأثير متغير واحد على الآخر.

أفضل دورات الذكاء الاصطناعي عبر الإنترنت من أفضل الجامعات في العالم - الماجستير ، وبرامج الدراسات العليا التنفيذية ، وبرنامج الشهادة المتقدم في ML & AI لتسريع حياتك المهنية.

يجب أن تقرأ: الانحدار الخطي المتعدد في R.

معامل الارتباط

يتم تطبيق معامل الارتباط لقياس درجة الارتباط في المتغيرات وعادة ما يسمى معامل ارتباط بيرسون ، والذي يشتق من مصدر نشأته. تستخدم هذه الطريقة لمشاكل الارتباط الخطية. فكر في الأمر على أنه مجموعة من الكلمات التي تعني ، ارتباط بين متغيرين ، أي ارتباط.

عندما يميل متغير إلى التغيير من متغير إلى آخر ، سواء كان مباشرًا أو غير مباشر ، فإنه يعتبر مترابطًا. يتم وصفه بأنه لا يوجد تأثير لمتغير واحد على الآخر. لإنشاء تمثيل أفضل لهذه الخاصية ، دعونا نفترض مثل هذه المتغيرات ونسميها x و y.

يتم قياس معامل الارتباط على مقياس بقيم من +1 إلى 0 و -1. عندما يزداد كلا المتغيرين ، يكون الارتباط موجبًا ، وإذا زاد أحد المتغيرات ، ونقص الآخر ، يكون الارتباط سالبًا.

لقياس التغييرات في كل من هاتين الوحدتين ، يتم اعتبارها إيجابية وسلبية.

التغيير الإيجابي يعني أن المتغيرين x و y لهما حركة في نفس الاتجاه.

التغيير السلبي يعني أن المتغيرين x و y يتحركان في اتجاهين متعاكسين.

إذا كان هناك تأثير إيجابي أو سلبي على المتغيرات ، فإنه يخلق فرصة لفهم طبيعة الاتجاهات في المستقبل والتنبؤ بها لأفضل الاحتياجات. ستستند هذه الفرضية بالكامل على طبيعة المتغيرات وستحدد طبيعة أي أحداث مادية أو رقمية.

المصدر الرئيسي المفيد للارتباط هو أن معدل الملخص الموجز والواضح الذي يحدد طبيعة المتغيرين مرتفع جدًا مقارنة بطريقة الانحدار.

تراجع

يمكن تعريف الانحدار على أنه المعلمة لشرح العلاقة بين متغيرين منفصلين. إنها ميزة تابعة حيث يؤثر عمل متغير واحد على نتيجة المتغير الآخر. لوضع أبسط المصطلحات ، يساعد الانحدار في تحديد كيفية تأثير المتغيرات على بعضها البعض.

يساعد التحليل القائم على الانحدار في معرفة حالة العلاقة بين متغيرين ، لنفترض x و y. يساعد ذلك في إنشاء تقدير للأحداث والهياكل لجعل التوقعات المستقبلية أكثر ارتباطًا.

الهدف من التحليل القائم على الانحدار هو تقدير قيمة المتغير العشوائي الذي يعتمد بالكامل على المتغيرين ، أي x و y. تحليل الانحدار الخطي هو الأكثر توافقًا وملاءمة ويناسب جميع نقاط البيانات تقريبًا. الميزة الرئيسية القائمة على الانحدار هي التحليل التفصيلي الذي ينشئه ، وهو أكثر تعقيدًا من الارتباط. يؤدي هذا إلى إنشاء معادلة يمكن استخدامها لتحسين هياكل البيانات للسيناريوهات المستقبلية.

قراءة: 6 أنواع من نماذج الانحدار في ML

الارتباط مقابل الانحدار

المدرجة أدناه هي بعض الأمثلة الرئيسية التي ستساعد في إنشاء منظور أفضل للتمييز والتفاهم بينهما.

• سيعطي الانحدار علاقة لفهم تأثيرات x على y للتغيير والعكس صحيح. مع الارتباط الصحيح ، يمكن تبادل x و y والحصول على نفس النتائج.
• يعتمد الارتباط على تنسيق إحصائي واحد أو نقطة بيانات ، في حين أن الانحدار هو جانب مختلف تمامًا مع المعادلة ويتم تمثيله بخط.
• يساعد الارتباط في إنشاء وتعريف علاقة بين متغيرين ، ومن ناحية أخرى يساعد الانحدار في معرفة كيفية تأثير أحد المتغيرات على الآخر.
• تحدد البيانات الموضحة في الانحدار نمط السبب والنتيجة عندما يحدث التغيير في المتغيرات. عندما تكون التغييرات في نفس الاتجاه أو معاكسة لكلا المتغيرين ، بالنسبة للارتباط هنا ، فإن المتغيرات لها حركة فردية في أي اتجاه.
• في حالة الارتباط ، يمكن تبادل x و y ؛ في الانحدار ، لن يكون قابلاً للتطبيق.
• سيعمل التنبؤ والتحسين فقط مع طريقة الانحدار ولن يكون قابلاً للتطبيق في تحليل الارتباط.
• ستتم محاولة إنشاء منهجية السبب والنتيجة عن طريق الانحدار ، في حين لا يتم ذلك.

متى يجب استخدام

• الارتباط - عندما يكون هناك متطلب مباشر لفهم الاتجاه ، فإن العلاقة بين متغيرين أو أكثر تكون متضمنة.
• الانحدار - عندما يكون هناك متطلب لتحسين الاستجابة العددية وشرحها من ص إلى س. لفهم وإنشاء تقريب لكيفية تأثير y على x.

كي تختصر

عند البحث عن حل لبناء نموذج قوي أو معادلة أو للتنبؤ بالاستجابة ، فإن الانحدار هو أفضل نهج. إذا كنت تبحث عن رد سريع على ملخص لتحديد قوة العلاقة ، فسيكون الارتباط هو أفضل بديل.

إذا كنت مهتمًا بمعرفة المزيد عن التعلم الآلي ، فراجع برنامج IIIT-B & upGrad's Executive PG في التعلم الآلي والذكاء الاصطناعي المصمم للمهنيين العاملين ويقدم أكثر من 450 ساعة من التدريب الصارم ، وأكثر من 30 دراسة حالة ومهمة ، IIIT -ب حالة الخريجين ، 5+ مشاريع التخرج العملية العملية والمساعدة في العمل مع الشركات الكبرى.