در این مطلب، ویدئو مقدمه ای بر روش رگرسیون حداقل مربعات با استفاده از پایتون | الگوریتم یادگیری ماشین | ادورکا 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: 00:19:47
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,810 –> 00:00:10,670
[موسیقی]
2
00:00:10,670 –> 00:00:13,170
با یادگیری ماشین و
3
00:00:13,170 –> 00:00:16,049
هوش مصنوعی که بازار فناوری اطلاعات را رونق
4
00:00:16,049 –> 00:00:17,760
میدهد، یادگیری
5
00:00:17,760 –> 00:00:19,560
اصول این فناوریهای پرطرفدار ضروری شده
6
00:00:19,560 –> 00:00:22,380
است سلام، من زولیکا هستم از
7
00:00:22,380 –> 00:00:24,359
Eureka و به شما خوش آمد میگویم به این جلسه
8
00:00:24,359 –> 00:00:27,390
در مورد روش رگرسیون حداقل مربعات امروز،
9
00:00:27,390 –> 00:00:28,769
شما متوجه خواهید شد که ریاضیات پشت
10
00:00:28,769 –> 00:00:31,199
آنالیز رگرسیون و اینکه چگونه می توان آن را
11
00:00:31,199 –> 00:00:34,079
با استفاده از پایتون پیاده سازی کرد، بنابراین قبل از اینکه جلوتر برویم،
12
00:00:34,079 –> 00:00:35,610
اجازه دهید نگاهی
13
00:00:35,610 –> 00:00:37,860
به دستور کار امروز بیندازیم، می
14
00:00:37,860 –> 00:00:39,570
خواهیم جلسه را با درک اینکه
15
00:00:39,570 –> 00:00:41,940
دقیقاً روش رگرسیون مربع لی است
16
00:00:41,940 –> 00:00:44,160
شروع کنیم، سپس به ادامه می پردازیم. و به
17
00:00:44,160 –> 00:00:46,260
خط بهترین تناسب نگاه کنید و دقیقاً منظور ما
18
00:00:46,260 –> 00:00:48,510
از این چیست، پس از آن به
19
00:00:48,510 –> 00:00:50,370
مراحل مختلفی که برای
20
00:00:50,370 –> 00:00:52,860
محاسبه خط بهترین تناسب استفاده می شود نگاه می کنیم در نهایت به
21
00:00:52,860 –> 00:00:54,570
ادامه می پردازیم و روش رگرسیون حداقل مربعات را
22
00:00:54,570 –> 00:00:56,640
با یک مثال و بحث می کنیم.
23
00:00:56,640 –> 00:00:58,500
ما جلسه را با مشاهده یک
24
00:00:58,500 –> 00:01:00,719
نمایش عملی
25
00:01:00,719 –> 00:01:03,840
رگرسیون خطی با استفاده از پایتون به پایان میرسانیم، بنابراین قبل
26
00:01:03,840 –> 00:01:05,820
از شروع، مطمئن شوید که در
27
00:01:05,820 –> 00:01:07,740
YouTube ما مشترک Drake هستید. کانال به منظور به
28
00:01:07,740 –> 00:01:09,450
روز ماندن بالاتر از پرطرفدارترین
29
00:01:09,450 –> 00:01:11,580
فناوریها، بنابراین بیایید با
30
00:01:11,580 –> 00:01:13,890
مبحث اول شروع کنیم که
31
00:01:13,890 –> 00:01:16,320
روش رگرسیون حداقل مربعات چیست، اکنون روش رگرسیون حداقل
32
00:01:16,320 –> 00:01:18,479
مربعات تکنیکی
33
00:01:18,479 –> 00:01:21,720
است که در تحلیل رگرسیون استفاده میشود و اکنون
34
00:01:21,720 –> 00:01:24,330
این رگرسیون بسیار رایج است. نوع
35
00:01:24,330 –> 00:01:27,000
مسئله یادگیری ماشین، بنابراین
36
00:01:27,000 –> 00:01:28,860
تحلیل رگرسیون معمولاً در دسته دیگری
37
00:01:28,860 –> 00:01:31,829
از یادگیری ماشین نظارت شده قرار می گیرد و
38
00:01:31,829 –> 00:01:33,540
روش رگرسیون حداقل مربعات یک
39
00:01:33,540 –> 00:01:35,939
روش ریاضی است که برای
40
00:01:35,939 –> 00:01:38,220
یافتن بهترین خط برازش استفاده می شود که می تواند نشان
41
00:01:38,220 –> 00:01:40,439
دهنده رابطه بین دو متغیر باشد،
42
00:01:40,439 –> 00:01:43,170
درست یکی یک متغیر مستقل است و
43
00:01:43,170 –> 00:01:45,960
دیگری یک متغیر وابسته است
44
00:01:45,960 –> 00:01:47,729
که رگرسیون در مورد
45
00:01:47,729 –> 00:01:49,530
46
00:01:49,530 –> 00:01:52,259
47
00:01:52,259 –> 00:01:54,030
48
00:01:54,030 –> 00:01:56,549
49
00:01:56,549 –> 00:01:57,689
50
00:01:57,689 –> 00:01:59,880
51
00:01:59,880 –> 00:02:02,759
آن است. در فرمول بندی
52
00:02:02,759 –> 00:02:05,250
خط بهترین تناسب درست بیایید بفهمیم
53
00:02:05,250 –> 00:02:07,710
منظور شما از خط بهترین تناسب دقیقاً چیست
54
00:02:07,710 –> 00:02:09,660
زیرا این مهمترین
55
00:02:09,660 –> 00:02:11,879
بخش روش رگرسیون حداقل مربعی است
56
00:02:11,879 –> 00:02:12,540
درست،
57
00:02:12,540 –> 00:02:13,830
بنابراین ابتدا بیایید
58
00:02:13,830 –> 00:02:15,270
بفهمیم و در نهایت متوجه شوید که
59
00:02:15,270 –> 00:02:16,680
منظور ما از روش رگرسیون حداقل مربع چیست،
60
00:02:16,680 –> 00:02:19,380
بنابراین خط بهترین تناسب عبارت است از
61
00:02:19,380 –> 00:02:22,290
اساساً در یک نمودار پراکنده از
62
00:02:22,290 –> 00:02:24,810
نقاط داده ترسیم می شود تا
63
00:02:24,810 –> 00:02:27,120
رابطه بین این نقاط داده را
64
00:02:27,120 –> 00:02:29,130
بین دو یا چند متغیر نشان
65
00:02:29,130 –> 00:02:32,010
دهد، بنابراین برای مشخص تر بودن یک خط بهترین
66
00:02:32,010 –> 00:02:33,870
برازش اساساً نشان دهنده
67
00:02:33,870 –> 00:02:35,700
رابطه بین دو یا چند
68
00:02:35,700 –> 00:02:36,660
متغیر است،
69
00:02:36,660 –> 00:02:39,240
بنابراین اساساً تحلیل رگرسیون باعث می شود
70
00:02:39,240 –> 00:02:41,310
استفاده از روش های ریاضی مانند
71
00:02:41,310 –> 00:02:44,160
رگرسیون حداقل مربعات برای به دست آوردن
72
00:02:44,160 –> 00:02:46,320
یک رابطه قطعی بین
73
00:02:46,320 –> 00:02:47,910
متغیر پیش بینی کننده و متغیر هدف،
74
00:02:47,910 –> 00:02:50,310
بنابراین بچه ها فرض می کنم همه
75
00:02:50,310 –> 00:02:52,200
شما دانش قبلی در مورد
76
00:02:52,200 –> 00:02:54,690
تجزیه و تحلیل رگرسیون
77
00:02:54,690 –> 00:02:56,940
دارید زیرا برای درک کل این مفهوم لازم است. از
78
00:02:56,940 –> 00:02:59,130
رگرسیون حداقل مربعات، بنابراین من فرض
79
00:02:59,130 –> 00:03:00,630
می کنم شما بچه ها دانش خوبی در مورد
80
00:03:00,630 –> 00:03:02,400
رگر دارید ssion و اگر این کار را نکنید، من
81
00:03:02,400 –> 00:03:03,960
چند پیوند را در کادر توضیحات
82
00:03:03,960 –> 00:03:05,880
می گذارم، می توانید آن ویدیوها را مرور کنید و سپس
83
00:03:05,880 –> 00:03:07,740
شاید به این یکی برگردید اکنون
84
00:03:07,740 –> 00:03:09,990
روش حداقل مربعات یکی از بهترین
85
00:03:09,990 –> 00:03:12,270
و یکی از مؤثرترین راه ها است.
86
00:03:12,270 –> 00:03:15,300
که در آن شما می توانید یک خط بهترین تناسب را رسم کنید
87
00:03:15,300 –> 00:03:17,940
، بر اساس این ایده است
88
00:03:17,940 –> 00:03:20,430
که مجذور خطاهای به دست آمده باید
89
00:03:20,430 –> 00:03:23,100
تا حد ممکن به حداقل برسد
90
00:03:23,100 –> 00:03:25,470
و به همین دلیل است که دارای رگرسیون مربع است،
91
00:03:25,470 –> 00:03:28,050
بنابراین بیایید بگوییم که اگر
92
00:03:28,050 –> 00:03:30,690
بخواهم بهترین خط تناسب را رسم کنید که
93
00:03:30,690 –> 00:03:32,760
رابطه بین فروش یک
94
00:03:32,760 –> 00:03:35,130
شرکت را در یک دوره زمانی نشان می دهد
95
00:03:35,130 –> 00:03:36,989
، چیزی شبیه به این است که من
96
00:03:36,989 –> 00:03:39,180
زمان را روی محور x رسم می کنم تا
97
00:03:39,180 –> 00:03:41,190
نشان دهنده متغیر مستقل
98
00:03:41,190 –> 00:03:43,709
شما باشد، قیمت شما در سراسر محور Y است که نشان دهنده آن است.
99
00:03:43,709 –> 00:03:46,170
متغیر وابسته شما اکنون
100
00:03:46,170 –> 00:03:48,390
این خطی که می بینید به عنوان
101
00:03:48,390 –> 00:03:51,270
خط بهترین برازش شناخته می شود چگونه این
102
00:03:51,270 –> 00:03:53,640
خط بهترین برازش را به دست می آورید آیا از روش هایی
103
00:03:53,640 –> 00:03:56,550
مانند روش رگرسیون حداقل مربع استفاده می کنید که
104
00:03:56,550 –> 00:03:58,320
با استفاده از روش رگرسیون حداقل مربع می
105
00:03:58,320 –> 00:04:00,270
توانید s را بسازید. مطمئن باشید که این خط
106
00:04:00,270 –> 00:04:03,030
تا حد ممکن دقیق است، به این معنی که با
107
00:04:03,030 –> 00:04:04,860
بیشترین دقت رابطه
108
00:04:04,860 –> 00:04:07,230
بین متغیر قیمت شما و متغیر زمان شما را
109
00:04:07,230 –> 00:04:09,330
نشان میدهد، این همان چیزی است که رگرسیون حداقل مربعی
110
00:04:09,330 –> 00:04:11,400
در مورد آن است، اکنون این
111
00:04:11,400 –> 00:04:13,650
نقاط داده در نمودار باید
112
00:04:13,650 –> 00:04:16,709
به خط بهترین تناسب نزدیک باشند. تا آنجا که ممکن
113
00:04:16,709 –> 00:04:18,899
است این ایده پشت روش رگرسیون حداقل مربع
114
00:04:18,899 –> 00:04:20,910
است، حالا پدر این
115
00:04:20,910 –> 00:04:23,970
نقاط از خط بهترین تناسب هستند
116
00:04:23,970 –> 00:04:26,250
، خطا بیشتر خواهد بود، بنابراین اکنون برای به
117
00:04:26,250 –> 00:04:27,100
حداقل
118
00:04:27,100 –> 00:04:28,750
رساندن فلش از
119
00:04:28,750 –> 00:04:31,060
روش رگرسیون حداقل مربع استفاده می کنیم.
120
00:04:31,060 –> 00:04:33,400
اساساً سعی کنید یک خط در بین
121
00:04:33,400 –> 00:04:36,460
این نقاط داده به گونه ای رسم کنید که
122
00:04:36,460 –> 00:04:38,590
مربع فلش های بین خط
123
00:04:38,590 –> 00:04:40,870
و نقاط داده تا
124
00:04:40,870 –> 00:04:43,240
حد ممکن به درستی کوچک شود، بنابراین اساساً باید
125
00:04:43,240 –> 00:04:45,490
خطای خود را به درستی به حداقل برسانید که
126
00:04:45,490 –> 00:04:46,690
کل نقطه رگرسیون حداقل مربع است.
127
00:04:46,690 –> 00:04:49,450
روش اکنون دوباره اگر متوجه شدید
128
00:04:49,450 –> 00:04:51,910
خط بسیار نزدیک به نقاط داده پراکنده
129
00:04:51,910 –> 00:04:54,670
است، این همان چیزی است که یک خط ایده آل با بهترین
130
00:04:54,670 –> 00:04:56,680
تناسب اکنون برای درک بهتر به
131
00:04:56,680 –> 00:04:58,510
نظر می رسد. در کل فرآیند، بیایید ببینیم
132
00:04:58,510 –> 00:05:00,550
چگونه خط را با استفاده از
133
00:05:00,550 –> 00:05:03,010
روش رگرسیون حداقل مربع محاسبه کنیم، بنابراین برای
134
00:05:03,010 –> 00:05:05,770
شروع رسم خطی که
135
00:05:05,770 –> 00:05:07,750
رابطه شما بین متغیرهای شما را به بهترین شکل نشان می دهد،
136
00:05:07,750 –> 00:05:09,760
ابتدا باید اصول اولیه را درک کنیم،
137
00:05:09,760 –> 00:05:12,190
اکنون به معادله در اینجا نگاهی بیندازیم
138
00:05:12,190 –> 00:05:14,620
y برابر با MX است. به علاوه C مطمئناً همه شما
139
00:05:14,620 –> 00:05:16,120
قبلاً با این معادله برخورد کرده
140
00:05:16,120 –> 00:05:18,010
اید، این یک معادله ساده است
141
00:05:18,010 –> 00:05:20,160
که یک خط مستقیم را در امتداد داده های
142
00:05:20,160 –> 00:05:23,020
دو بعدی نشان می دهد که محور x و
143
00:05:23,020 –> 00:05:25,360
قضیه محور y است با فرض اینکه داده های
144
00:05:25,360 –> 00:05:27,250
دو بعدی داریم و بیشتر از
145
00:05:27,250 –> 00:05:29,500
آن نیست. بهتر این را درک کنید، بیایید
146
00:05:29,500 –> 00:05:31,810
بفهمیم که هر یک از این مقادیر در این فرمول چه چیزی را نشان می دهند،
147
00:05:31,810 –> 00:05:33,910
148
00:05:33,910 –> 00:05:36,490
149
00:05:36,490 –> 00:05:38,170
اگر به مثالی که قبلا نشان دادم نگاه کنیم که
150
00:05:38,170 –> 00:05:41,590
در آن قیمت و زمان
151
00:05:41,590 –> 00:05:44,590
را به عنوان یک رابطه در نظر گرفتیم، راست y
152
00:05:44,590 –> 00:05:47,230
اساساً متغیر وابسته شماست. M
153
00:05:47,230 –> 00:05:49,510
شیب خط شما خواهد بود که
154
00:05:49,510 –> 00:05:51,820
بسته
155
00:05:51,820 –> 00:05:54,100
به رابطه بین X و
156
00:05:54,100 –> 00:05:56,650
Y شما می تواند مثبت یا منفی باشد. riable
157
00:05:56,650 –> 00:05:58,630
که برای پیشبینی متغیر وابسته
158
00:05:58,630 –> 00:06:01,930
استفاده میشود، بنابراین X معمولاً به عنوان متغیر پیشبینیکننده شما شناخته میشود،
159
00:06:01,930 –> 00:06:04,270
زیرا میتواند به شما کمک کند
160
00:06:04,270 –> 00:06:06,910
متغیر Y خود را پیشبینی کنید و y
161
00:06:06,910 –> 00:06:09,610
به عنوان متغیر هدف شناخته میشود،
162
00:06:09,610 –> 00:06:11,830
بنابراین X برای پیشبینی مقدار توسط شبانه استفاده میشود.
163
00:06:11,830 –> 00:06:13,390
همه اصول
164
00:06:13,390 –> 00:06:15,190
رگرسیون خطی و فقط اگر
165
00:06:15,190 –> 00:06:16,720
اصول رگرسیون خطی را
166
00:06:16,720 –> 00:06:18,370
بدانید، روش رگرسیون حداقل مربع را کاملاً درک خواهید کرد،
167
00:06:18,370 –> 00:06:20,650
اکنون به طور مشابه
168
00:06:20,650 –> 00:06:22,900
چیزی به نام C راست C داریم که
169
00:06:22,900 –> 00:06:24,570
اساساً مقطع y شما است و
170
00:06:24,570 –> 00:06:27,550
مقطع y اساساً نقطه مورد نظر
171
00:06:27,550 –> 00:06:30,820
شما است. خطی که با محور y مطابقت دارد،
172
00:06:30,820 –> 00:06:32,140
نگران نباشید اگر این را
173
00:06:32,140 –> 00:06:33,970
به طور کامل درک نکردهاید، ما به جلو حرکت میکنیم و
174
00:06:33,970 –> 00:06:36,400
هر مرحله را در انجام این کار درک میکنیم،
175
00:06:36,400 –> 00:06:38,590
بنابراین هدف اصلی در اینجا این است که
176
00:06:38,590 –> 00:06:40,460
مقادیر شیب شما را
177
00:06:40,460 –> 00:06:42,289
محاسبه کنیم و مقادیر مربوطه را جایگزین کنیم.
178
00:06:42,289 –> 00:06:44,660
X در معادله مقادیر می شود،
179
00:06:44,660 –> 00:06:46,580
بنابراین با انجام این کار،
180
00:06:46,580 –> 00:06:48,650
مقدار متغیر وابسته خود را که y است دریافت خواهید کرد
181
00:06:48,650 –> 00:06:51,440
و بیایید ببینیم چگونه می توان این کار را انجام داد، اکنون
182
00:06:51,440 –> 00:06:53,780
فرض می کنیم که n نقطه داده وجود دارد.
183
00:06:53,780 –> 00:06:55,250
y فرض کنید
184
00:06:55,250 –> 00:06:56,539
تعداد کل نقاط
185
00:06:56,539 –> 00:06:59,000
داده در مجموعه داده شما وجود دارد یا n ok بنابراین
186
00:06:59,000 –> 00:07:01,460
اولین قدم شما این است که شیب را با
187
00:07:01,460 –> 00:07:03,860
استفاده از این فرمول محاسبه کنید مقادیر راست x و y
188
00:07:03,860 –> 00:07:06,139
تنها کاری که انجام می دهید این است که مقادیر x و y را جایگزین کنید.
189
00:07:06,139 –> 00:07:08,990
و n که اساساً
190
00:07:08,990 –> 00:07:11,569
مخفف تعداد کل نقاط داده
191
00:07:11,569 –> 00:07:13,190
شما در یک بار است، مقادیر را در این جایگزین
192
00:07:13,190 –> 00:07:15,770
کنید، شیب خط خود را دریافت خواهید کرد.
193
00:07:15,770 –> 00:07:17,479
194
00:07:17,479 –> 00:07:20,300
195
00:07:20,300 –> 00:07:23,539
این مقطع صفحه y اساساً
196
00:07:23,539 –> 00:07:26,930
نقطه ای از خط است که دقیقاً با محور y ملاقات می کند ،
197
00:07:26,930 –> 00:07:29,330
همانطور که در شکل می بینید
198
00:07:29,330 –> 00:07:31,310
نقطه روی خطی که با محور y ملاقات می کند
199
00:07:31,310 –> 00:07:33,289
به عنوان تقاطع y شما شناخته می شود اکنون
200
00:07:33,289 –> 00:07:35,270
شیب خط شما اساساً خواهد بود. به
201
00:07:35,270 –> 00:07:37,610
شما بگویم که آیا x و y شما مستقیماً
202
00:07:37,610 –> 00:07:39,460
متناسب هستند یا غیرمستقیم،
203
00:07:39,460 –> 00:07:41,630
این همان چیزی است که شیب خط
204
00:07:41,630 –> 00:07:44,240
نشان می دهد، اکنون می توانید ببینید که هر یک از
205
00:07:44,240 –> 00:07:46,639
این نقاط داده
206
00:07:46,639 –> 00:07:49,009
بین آنها و خط بهترین تناسب فاصله دارند،
207
00:07:49,009 –> 00:07:51,620
اکنون این اساساً خطای شماست این
208
00:07:51,620 –> 00:07:53,509
خطا به عنوان t نیز شناخته می شود he residue right
209
00:07:53,509 –> 00:07:54,889
این خطایی است که وقتی از روش رگرسیون حداقل مربعی شما استفاده می کنیم، سعی می کنیم آن را به
210
00:07:54,889 –> 00:07:57,349
حداقل برسانیم،
211
00:07:57,349 –> 00:07:59,509
بنابراین برای محاسبه
212
00:07:59,509 –> 00:08:01,280
قطع y خود، فقط معادله اصلی را
213
00:08:01,280 –> 00:08:04,159
به جای y برابر MX به اضافه C
214
00:08:04,159 –> 00:08:07,070
قرار می دهیم که C برابر با Y است. منهای MX
215
00:08:07,070 –> 00:08:09,889
بنابراین به همان اندازه ساده است که یک
216
00:08:09,889 –> 00:08:12,320
معادله ریاضی پایه است گام نهایی
217
00:08:12,320 –> 00:08:14,509
شما جایگزینی تمام مقادیر در
218
00:08:14,509 –> 00:08:16,820
معادله نهایی شما خواهد بود، بنابراین این بسیار
219
00:08:16,820 –> 00:08:19,190
ساده است، بنابراین اکنون برای درک بهتر این موضوع
220
00:08:19,190 –> 00:08:21,349
اجازه دهید به یک مثال نگاه کنیم و ببینیم چگونه می
221
00:08:21,349 –> 00:08:22,759
توانید از معادله نهایی استفاده کنید. روش رگرسیون حداقل مربعی
222
00:08:22,759 –> 00:08:25,280
برای محاسبه خط بهترین تناسب
223
00:08:25,280 –> 00:08:27,919
اکنون مثالی را در نظر بگیرید، فرض کنید
224
00:08:27,919 –> 00:08:30,919
به عنوان این مرد که به عنوان سپیده دم شناخته می شود و
225
00:08:30,919 –> 00:08:33,740
صاحب یک خرده فروشی است و
226
00:08:33,740 –> 00:08:36,770
قیمت تی شرت های مختلف را در مقابل
227
00:08:36,770 –> 00:08:39,020
تعداد تی شرت ها پیدا کرده است. در فروشگاه او در مدت یک هفته به فروش می رسد،
228
00:08:39,020 –> 00:08:41,750
بنابراین
229
00:08:41,750 –> 00:08:43,399
اساساً قیمت تی شرت شما
230
00:08:43,399 –> 00:08:45,290
در مقابل تعداد تی شرت های
231
00:08:45,290 –> 00:08:47,690
فروخته شده است، بنابراین بیایید از مفهوم
232
00:08:47,690 –> 00:08:49,620
رگرسیون حداقل مربع برای یافتن
233
00:08:49,620 –> 00:08:52,320
خط بهترین مناسب برای این داده ها استفاده کنیم. تنظیم بنابراین
234
00:08:52,320 –> 00:08:54,029
همانطور که ذکر کردم اولین قدم شما
235
00:08:54,029 –> 00:08:56,490
محاسبه شیب M است، بنابراین
236
00:08:56,490 –> 00:08:58,920
مقادیر خود را با این جایگزین کنید، من
237
00:08:58,920 –> 00:09:01,650
قبلاً مقادیر x و y را در این جدول به
238
00:09:01,650 –> 00:09:03,029
شما داده ام و تنها کاری که باید انجام دهید این است که باید
239
00:09:03,029 –> 00:09:05,040
این مقادیر را در اینجا در اینجا جایگزین کنید.
240
00:09:05,040 –> 00:09:07,050
اساساً تعداد کل نقاط داده شما خواهد بود
241
00:09:07,050 –> 00:09:10,500
که پنج تا پنج نقطه داده است
242
00:09:10,500 –> 00:09:13,320
و فقط مقادیر x و y را جایگزین کنید و
243
00:09:13,320 –> 00:09:15,660
باید شیب تقریباً یک نقطه پنج را بدست آورید، در
244
00:09:15,660 –> 00:09:18,300
مرحله بعدی شما این کار را انجام می دهید
245
00:09:18,300 –> 00:09:20,760
و مقدار قطع y را محاسبه می کنید.
246
00:09:20,760 –> 00:09:22,020
مجدداً کاری که باید انجام دهید این است که فقط
247
00:09:22,020 –> 00:09:24,600
باید مقادیر را جایگزین کنید، پس
248
00:09:24,600 –> 00:09:26,190
از جایگزینی، باید مقداری در
249
00:09:26,190 –> 00:09:28,800
حدود صفر نقطه سه به دست آورید، بنابراین آخرین
250
00:09:28,800 –> 00:09:31,050
مرحله شما این است که فقط مقادیر
251
00:09:31,050 –> 00:09:33,089
معادله نهایی را جایگزین کنید، خوب حالا بیایید
252
00:09:33,089 –> 00:09:35,460
بگوییم کاری که تام می تواند انجام دهد. آیا او می تواند از این
253
00:09:35,460 –> 00:09:38,130
معادله استفاده کند تا تخمین بزند که چند تی
254
00:09:38,130 –> 00:09:41,610
شرت با قیمت فرض کنید هشت دلار می
255
00:09:41,610 –> 00:09:43,710
تواند در مغازه خرده فروشی بفروشد، فرض کنید ارزش x شما
256
00:09:43,710 –> 00:09:46,110
هشت دلار است، بنابراین اگر
257
00:09:46,110 –> 00:09:48,660
X را به عنوان هشت جایگزین کنید، باید
258
00:09:48,660 –> 00:09:51,390
پاسخی در حدود 12.45 دریافت کنید. من
259
00:09:51,390 –> 00:09:53,640
اساساً 13 تی شرت است، بنابراین اگر ما شروع به
260
00:09:53,640 –> 00:09:56,220
فروش یک تی شرت جدید با ق