اختلافات کے درمیان OLS اور MLE کے درمیان اختلافات.

OLS بمقابلہ MLE

ہم اکثر اعداد و شمار کے بارے میں موضوع پر غائب ہونے کی کوشش کرتے ہیں. کچھ کے لئے، اعداد و شمار کے ساتھ نمٹنے ایک خوفناک تجربے کی طرح ہے. ہم نمبروں، لائنوں اور گرافوں سے نفرت کرتے ہیں. تاہم، ہمیں اس عظیم رکاوٹ کا سامنا کرنا پڑتا ہے تاکہ اسکول ختم کرنے کے لۓ. اگر نہیں، تو آپ کا مستقبل سیاہ ہوگا. کوئی امید نہیں اور کوئی روشنی نہیں. اعداد و شمار پاس کرنے کے قابل ہونے کے لئے، ہم اکثر OLS اور MLE کا سامنا کرتے ہیں. "OLS" "عام کم سے کم چوکوں" کے لئے کھڑا ہوتا ہے جبکہ "MLE" زیادہ سے زیادہ امکانات کا اندازہ لگایا جاتا ہے. "عام طور پر، یہ دو اعداد و شمار کی شرائط ایک دوسرے سے متعلق ہیں. چلو عام کم از کم چوکوں اور زیادہ سے زیادہ امکانات کا تخمینہ کے درمیان اختلافات کے بارے میں سیکھیں.

عام کم سے کم چوکوں، یا OLS، بھی صفر کم از کم چوکوں کو بھیجا جا سکتا ہے. یہ ایک لکیری ریگریشن ماڈل میں واقع نامعلوم پیرامیٹرز کا تعین کرنے کا ایک طریقہ ہے. اعداد و شمار کے اعداد و شمار اور دیگر آن لائن ذرائع کے مطابق، عام کم سے کم چوکوں کو ڈیٹا سیٹ کے اندر اندر منسلک شدہ ردعمل اور رینج سنجیدگی کی طرف سے پیش کردہ جوابات کے درمیان چوڑائی عمودی فاصلے کی کم سے کم کرکے حاصل کی جاتی ہے. ایک سادہ فارمولہ کے ذریعہ، آپ نتیجے میں تخمینہ لگانے والے، خاص طور پر ایک ریجریسر کا اظہار کرسکتے ہیں، جو لکیری رجعت ماڈل کے دائیں ہاتھ پر واقع ہے.

مثال کے طور پر، آپ کے مساوات کا ایک سیٹ ہے جس میں متعدد مساوات پر مشتمل ہے جو پیرامیٹرز نہیں ہیں. آپ عام کم سے کم چوکوں کا طریقہ استعمال کرسکتے ہیں کیونکہ یہ آپ کے زیادہ سے زیادہ مقرر کردہ نظاموں کے تخمینہ حل کو تلاش کرنے میں سب سے زیادہ معیاری نقطہ نظر ہے. دوسرے الفاظ میں، یہ آپ کے مساوات میں غلطیوں کے چوکوں کو کم سے کم کرنے میں آپ کا مجموعی حل ہے. ڈیٹا فٹنگ آپ کی سب سے مناسب درخواست ہوسکتی ہے. آن لائن ذرائع نے کہا ہے کہ عام طور پر چوکوں کو فٹ ہونے والے اعداد و شمار کو squared باقیات کی رقم کو کم سے کم کرتا ہے. "بقایا" ہے "ایک مشاہدہ شدہ قیمت اور ماڈل کے ذریعہ فراہم کردہ مناسب قیمت کے درمیان فرق. "

زیادہ سے زیادہ امکانات کا اندازہ، یا MLE، ایک اعداد و شمار کے ماڈل کے پیرامیٹرز کا اندازہ کرنے میں استعمال کیا جاتا ہے، اور اعداد و شمار کے لئے ایک اعداد و شمار کے اعداد و شمار کو فٹنگ کرنے کے لئے استعمال کیا جاتا ہے. اگر آپ کسی خاص مقام میں ہر باسکٹ بال کھلاڑی کی اونچائی کی پیمائش تلاش کرنا چاہتے ہیں، تو آپ زیادہ سے زیادہ امکانات کا تخمینہ استعمال کر سکتے ہیں. عام طور پر، آپ کو قیمت اور وقت کی پابندیاں جیسے مسائل کا سامنا کرنا پڑے گا. اگر آپ باسکٹ بال کھلاڑیوں کی بلندیوں کی پیمائش کرنے کے قابل نہیں ہوسکتے، تو زیادہ سے زیادہ امکانات کا اندازہ بہت آسان ہوگا. زیادہ سے زیادہ امکانات کا تخمینہ استعمال کرتے ہوئے، آپ اپنے مضامین کی اونچائی کا مطلب اور متغیر اندازہ کر سکتے ہیں. MLE ایک مخصوص ماڈل میں مخصوص پیرامیٹر اقدار کا تعین کرنے میں پیرامیٹرز کے طور پر مطلب اور متغیر قائم کرے گا.

اس کا اندازہ کرنے کے لئے، زیادہ سے زیادہ امکانات کا تخمینہ ایک پیرامیٹرز کے سیٹ پر مشتمل ہے جو عام تقسیم میں ضروری اعداد و شمار کی پیشن گوئی کے لئے استعمال کیا جا سکتا ہے. اعداد و شمار کا ایک مقررہ مقررہ مقررہ اور اس کے احتساب ماڈل کا امکان ہے کہ متوقع ڈیٹا پیدا کرے. ایم ایل ہمیں تخمینہ دیتا ہے جب اس کا اندازہ ہوتا ہے. لیکن بعض صورتوں میں، ہم تسلیم شدہ غلطیوں کی وجہ سے زیادہ سے زیادہ امکانات کا تخمینہ استعمال نہیں کر سکتے ہیں یا اصل میں حقیقت میں بھی حقیقت میں موجود نہیں ہے.

OLS اور MLE کے بارے میں مزید معلومات کے لئے، آپ مزید مثالیں کے لئے اعداد و شمار کتابوں کا حوالہ دیتے ہیں. آن لائن انسائیکلوپیڈیا ویب سائٹ اضافی معلومات کے اچھے ذرائع بھی ہیں.

خلاصہ:

1. "OLS" "عام کم سے کم چوکوں" کے لئے کھڑا ہے جبکہ "MLE" زیادہ سے زیادہ امکانات کا تخمینہ لگانا ہے. "

2. عام کم سے کم چوکوں، یا OLS، بھی صفر کم از کم چوکوں کو بھیجا جا سکتا ہے. یہ ایک لکیری ریگریشن ماڈل میں واقع نامعلوم پیرامیٹرز کا تعین کرنے کا ایک طریقہ ہے.

3. زیادہ سے زیادہ امکانات کا اندازہ، یا MLE، ایک اعداد و شمار کے ماڈل کے پیرامیٹرز کا اندازہ کرنے اور اعداد و شمار کے اعداد و شمار کے اعداد و شمار کو فٹنگ کرنے کے لئے استعمال کیا جاتا ایک طریقہ ہے.