การใช้งาน Quadratic regression ในภาษา C แบบง่ายๆ พร้อมตัวอย่าง

# การใช้งาน Quadratic Regression ในภาษา C อย่างเรียบง่าย

การวิเคราะห์ข้อมูลด้วยโมเดลทางสถิติคือหนึ่งในงานที่เน้นการใช้ความรู้เรื่องอัลกอริทึมแบบมีประสิทธิภาพ เพื่อค้นหาประเภทกฎความสัมพันธ์ระหว่างตัวแปรที่มีอยู่ หนึ่งในเทคนิคที่นิยมกันคือ regression ที่อาจจะเป็น linear หรือ quadratic regression ซึ่งในบทความนี้จะแนะนำวิธีการใช้งาน quadratic regression ในภาษา C พร้อมตัวอย่าง code และอธิบายการทำงาน

"Quadratic Regression" คือ วิธีการสร้างโมเดลทางสถิติที่สามารถใช้อธิบายข้อมูลที่มีความสัมพันธ์แบบพหุนามระดับที่สอง ซึ่งก็คือมีหน้าตรง x ยกกำลังสอง เช่น y = ax^2 + bx + c

ตัวอย่าง CODE ที่ 1: การคำนวณพารามิเตอร์ a, b, และ c

 #include <stdio.h>

// ฟังก์ชั่นในการคำนวณพารามิเตอร์โดยใช้ Least Squares Method
void quadraticRegression(int n, double x[], double y[], double *a, double *b, double *c) {
    double sum_x = 0, sum_x2 = 0, sum_x3 = 0, sum_x4 = 0;
    double sum_y = 0, sum_x2y = 0, sum_xy = 0;
    double matrix[3][4], upperDiag[3][3], solution[3];

    // คำนวณค่าที่จำเป็นจากข้อมูลที่ให้มา
    for (int i = 0; i < n; i++) {
        sum_x += x[i];
        sum_x2 += x[i] * x[i];
        sum_x3 += x[i] * x[i] * x[i];
        sum_x4 += x[i] * x[i] * x[i] * x[i];
        sum_y += y[i];
        sum_xy += x[i] * y[i];
        sum_x2y += x[i] * x[i] * y[i];
    }

    // สร้าง Matrix
    matrix[0][0] = n;
    matrix[0][1] = sum_x;
    matrix[0][2] = sum_x2;
    matrix[0][3] = sum_y;

    matrix[1][0] = sum_x;
    matrix[1][1] = sum_x2;
    matrix[1][2] = sum_x3;
    matrix[1][3] = sum_xy;

    matrix[2][0] = sum_x2;
    matrix[2][1] = sum_x3;
    matrix[2][2] = sum_x4;
    matrix[2][3] = sum_x2y;

    // ใช้วิธี Gaussian Elimination เพื่อหาค่าของพารามิเตอร์
    // ... (สามารถเติม code สำหรับ Gaussian Elimination ที่นี่)

    // สมมุติว่า upperDiag คือ matrix ที่ทำ Gaussian Elimination แล้ว
    // และ solution คือค่าของ a, b, และ c ที่คำนวณได้

    *a = solution[0];
    *b = solution[1];
    *c = solution[2];
}

int main() {
    int n = 5; // จำนวนของข้อมูลแต่ละคู่
    double x[] = {1, 2, 3, 4, 5}; // ตัวแปรอิสระ x
    double y[] = {2, 4, 6, 8, 10}; // ตัวแปรตาม y

    double a, b, c;
    quadraticRegression(n, x, y, &a, &b, &c);

    printf("Quadratic Regression Model: y = %lf x^2 + %lf x + %lf\n", a, b, c);

    return 0;
}

ในตัวอย่าง code นี้, เรายังไม่ได้เติม code สำหรับ Gaussian Elimination เนื่องจากความซับซ้อน แต่วิธีการคือใช้ขั้นตอนวิธีนี้เพื่อลดรูป matrix ให้เป็น upper triangular form และคำนวณค่า 'a, b, และ c' ออกมา

ตัวอย่าง CODE ที่ 2: การทำนาย (Prediction) จากโมเดล

มีเทคนิคในการทำนายข้อมูลจากโมเดลที่ได้รับมา ดังตัวอย่างด้านล่างนี้:

 #include <stdio.h>

double predict(double a, double b, double c, double x) {
    return a*x*x + b*x + c;
}

int main() {
    double a = 1, b = 2, c = 1; // พารามิเตอร์ของโมเดล
    double x = 3; // ตัวแปรอิสระที่ต้องการคำนวณ

    double y_predicted = predict(a, b, c, x);

    printf("Predicted value of y for x = %lf is %lf\n", x, y_predicted);

    return 0;
}

ในตัวอย่างนี้ เรามีฟังก์ชั่น `predict` ที่ใช้ค่าพารามิเตอร์ของโมเดลที่ได้จากการ regression และใช้ข้อมูล x ที่ต้องการคำนวณเพื่อหาค่าทำนาย y

ตัวอย่าง CODE ที่ 3: วิเคราะห์ข้อมูลจากไฟล์

สำหรับการใช้งานกับข้อมูลที่มีขนาดใหญ่ เราอาจจะต้องเก็บข้อมูลลงในไฟล์และดึงข้อมูลเหล่านั้นเข้ามาวิเคราะห์ในโปรแกรม

 #include <stdio.h>
#include <stdlib.h>

// ... (ใส่โค้ดวิธี Gaussian Elimination และฟังก์ชั่น quadraticRegression จากโค้ดประดิษฐ์ที่ 1 ที่นี่)

int main() {
    FILE *file = fopen("data.txt", "r"); // กำหนดให้อ่านข้อมูลจากไฟล์ data.txt
    if (file == NULL) {
        perror("Error opening file");
        return 1;
    }

    int n;
    fscanf(file, "%d", &n); // อ่านจำนวนข้อมูลจากไฟล์

    // สร้างข้อมูลแบบ dynamic array
    double *x = malloc(n * sizeof(double));
    double *y = malloc(n * sizeof(double));

    for (int i = 0; i < n && !feof(file); i++) {
        fscanf(file, "%lf %lf", &x[i], &y[i]); // อ่าน x และ y จากไฟล์
    }

    fclose(file); // ปิดไฟล์หลังจากอ่านข้อมูลเสร็จสิ้น

    double a, b, c;
    quadraticRegression(n, x, y, &a, &b, &c);

    printf("Quadratic Regression Model: y = %lf x^2 + %lf x + %lf\n", a, b, c);

    free(x); // คืน memory ที่ไม่ได้ใช้แล้ว
    free(y); // คืน memory ที่ไม่ได้ใช้แล้ว

    return 0;
}

ในตัวอย่าง code ข้างต้น เราเปิดไฟล์ที่มีรูปแบบข้อมูลและจำนวนแถวของข้อมูล หลังจากนั้นเราอ่านข้อมูลเหล่านั้นและใช้ฟังก์ชัน `quadraticRegression` เพื่อคำนวณโมเดล แล้วปิดไฟล์หลังจากที่ได้ข้อมูลทั้งหมด

Usecase ในโลกจริง

Quadratic regression มีความจำเป็นสูงในหลากหลายสังคมวิทยาการ ตัวอย่างเช่น ในวิทยาศาสตร์ข้อมูลสำหรับการตีความทิศทางราคาสินค้า, ในธุรกิจเพื่อการคาดการณ์ยอดขาย, หรือในภูมิพลศาสตร์เพื่อคาดคะเนการเคลื่อนที่ของวัตถุธรรมชาติ ข้อมูลอาจนำมาจากการวัดโดยตรง การสำรวจ หรือการสังเกต แล้วนำมาสร้างโมเดลพหุนามที่ให้ภาพรวมที่ดีกว่า simple linear regression

เมื่อเรามีข้อมูลที่เหมาะสม การใช้ quadratic regression ในภาษา C ช่วยให้เราสามารถวิเคราะห์ข้อมูลได้ด้วยความแม่นยำ และยังสามารถปรับแต่งเพื่อใช้กับข้อมูลขนาดใหญ่ การเขียนโค้ดที่เป็นระเบียบและมีประสิทธิภาพสูงเป็นสิ่งสำคัญในกระบวนการนี้

สำหรับผู้ที่สนใจการเรียนรู้หรือปรับปรุงทักษะการเขียนโปรแกรม โรงเรียน EPT นั้นเปิดรับทุกคนที่พร้อมจะเรียนรู้และพัฒนาฝีมือของตัวเองในโลกการเขียนโปรแกรม ไม่ว่าจะเป็นการเขียนโปรแกรม C หรือภาษาโปรแกรมอื่นๆ เรามีหลักสูตรและผู้เชี่ยวชาญที่พร้อมจะนำพาคุณไปสู่ความเป็นมืออาชีพในด้านนี้

พบกับโอกาสในการสร้างอาชีพและเพิ่มทักษะการเขียนโปรแกรมเพื่อการวิเคราะห์ข้อมูลที่ EPT ได้เลยวันนี้!

หมายเหตุ: ข้อมูลในบทความนี้อาจจะผิด โปรดตรวจสอบความถูกต้องของบทความอีกครั้งหนึ่ง บทความนี้ไม่สามารถนำไปใช้อ้างอิงใด ๆ ได้ ทาง EPT ไม่ขอยืนยันความถูกต้อง และไม่ขอรับผิดชอบต่อความเสียหายใดที่เกิดจากบทความชุดนี้ทั้งทางทรัพย์สิน ร่างกาย หรือจิตใจของผู้อ่านและผู้เกี่ยวข้อง