Skip To Content

الانحدار الخطي المعمم

ملاحظة:‏

هذه الوظيفة مدعومة حاليًا فقط في Map Viewer Classic (المعروف سابقًا باسم Map Viewer). ستكون متاحة في إصدار مستقبلي من Map Viewer الجديد.

الانحدار الخطي المعمم تنفذ الأدة الانحدار الخطي المعمم (GLR) لإنشاء توقعات أو لنمذجة متغير تابع من حيث علاقته بمجموعة من المتغيرات التوضيحية. يمكن استخدام هذه الأداة لملاءمة نماذج مستمر (غاوسي) وثنائي (لوجيستي) والعدد (بواسون).

مخطط سير العمل

مخطط سير عمل الانحدار الخطي المعمم

التحليل باستخدام GeoAnalytics Tools

يتم تشغيل التحليل باستخدام GeoAnalytics Tools باستخدام المعالجة الموزعة عبر عدة أجهزة ArcGIS GeoAnalytics Server وأنوية. GeoAnalytics Tools وأدوات تحليل المعالم القياسية في ArcGIS Enterprise لديها معلمات وقدرات مختلفة. لمعرفة المزيد عن هذه الاختلافات، راجع موضوع اختلافات أداة تحليل المعالم.

أمثلة

فيما يلي أمثلة لاستخدامات الأداة:

  • كمحلل GIS في شركة مرافق، تمتلك مجموعة من البيانات لانقطاع التيار، بالإضافة إلى بيانات الطقس القصوى. يمكنك إثراء بيانات انقطاع التيار باستخدام أداتي إنشاء شبكة متعددة المتغيرات وإثراء من شبكة متعددة المتغيرات لإنشاء مجموعة بيانات عن معلومات الطقس القصوى لانقطاع التيار. يمكنك استخدام "الانحدار الخطي المعمم" لمعرفة الحدث الذي أدى إلى انقطاع التيار. والآن بمعرفة تلك المعلومات، يمكنك التنبؤ بانقطاع التيار وتخصيص الموارد.
  • كمحلل لمدينة كبيرة، تمتلك سجلات تاريخية لمكالمات 911 بالإضافة إلى معلومات ديموغرافية. يتعين عليك الإجابة على الأسئلة التالية: أي المتغيرات تتنبأ بحجم مكالمات 911 بفاعلية؟ بالنظر إلى التوقعات المستقبلية، ما هو الطلب المتوقع لموارد الاستجابة للطوارئ؟

ملاحظات الاستخدام

يمكن استخدام هذه الأداة في وضعي تشغيل. يمكن استخدام خيار ملاءمة نموذج لتقييم أداء نموذج لتقييم أداء النماذج المختلفة بينما تستكشف متغيرات توضيحية مختلفة وإعدادات الأداة. بمجرد العثور على نموذج جيد، يمكنك استخدام خيار ملائمة نموذج والتنبؤ بالقيم.

استخدم معلمة اختر طبقة لإنشاء نموذج من مع حقل يُمثل الظاهرة التي تقوم بنمذجتها (اختر الحقل الذي ترغب في نمذجته) وحقل أو أكثر من الحقول التي تمثل المتغيرات التوضيحية. يجب أن تكون تلك الحقول رقمية ولها نطاق قيم. سيتم استبعاد المعالم التي تحتوي على قيمة مفقودة في المتغير التوضيحي أو المتغير التابع من التحليل. إذا أردت تعديل قيم فارغة، استخدم أداة حقل الحساب أولًا لإنشاء طبقة جديدة بالقيم التي تم تحديثها.

تُنتج أداة "الانحدار الخطي المعمم" أيضًا معالم ناتجة وتشخيصات. يتم إضافة طبقات معالم الناتج تلقائيًا إلى الخريطة مع تطبيق مخطط عرضي على القيم المتبقية للنموذج. ويتوفر شرح كامل لكل إخراج أدناه.

من المهم استخدام نموذج (مستمر أو ثنائي أو عدد) صحيح أثناء التحليل للحصول على نتائج دقيقة لتحليل التراجع.

تتم كتابة تشخيصات ونتائج ملخصات النماذج في نافذة الرسائل وسيتم إنشاء مخططات أسفل تصنيف المعلم الناتج. اعتمدت التشخيصات التي تم الإبلاغ عنها على نوع النموذج. فيما يلي الخيارات الثلاثة لنوع النموذج:

  • استخدم نوع نموذج مستمر (غاوسي) إذا كان المتغير التابع يمكن أن يتحمل نطاق واسع من القيم مثل درجة الحرارة أو إجمالي المبيعات. وبشكل مثالي، سيتم توزيع المتغير التابع بشكل معتاد.
  • استخدم نوع نموذج ثنائي (لوجيستي) إذا كان المتغير التابع يمكن أن يتحمل قيمة أو قيمتين محتملتين، مثل النجاح والفشل أو الوجود والغياب. يجب أن يكون الحقل الذي يحتوي على المتغير التابع رقمي ويحتوي فقط أرقام صحيحة وأصفار. يجب أن يكون هناك تباين للأرقام واحد والأصفار في البيانات.

  • فكّر في استخدام نوع نموذج عدد (بواسون) إذا كان المتغير التابع منفصل ويمثل عدد مرات حدوث حدث مثل عدد الجرائم. يمكن استخدام نماذج العدد أيضًا إذا كان المتغير التابع يمثل معدل ومقام المعدل قيمة ثابتة مثل المبيعات لكل شهر أو عدد الأشخاص المصابين بالسرطان لكل 10,000 من التعداد السكاني. يفترض نموذج العدد أن متوسط متغير التابع وتباينه متساويين، وأن قيم المتغير التابع لا يمكن أن تكون سالبة أو تحتوي على كسور عشرية.

يجب أن تكون معلمات المتغير التابع والمتغير التوضيحي حقول رقمية تحتوي على نطاق قيم. تعجز هذه الأداة عن الحل عندما تكون المتغيرات بنفس القيم (إذا كانت جميع القيم لحقل ما 9.0، على سبيل المثال).

سيتم استبعاد الميزات التي تحتوي على قيمة فارغة واحدة أو أكثر أو قيم سلسلة فارغة في حقول التوقع أو التوضيح من الإخراج. عند الحاجة، يمكنك تعديل القيم باستخدام حقل الحساب.

يتعين عليك فحص نقص أو زيادة التوقعات الواضح في مجموعة قيم الانحدار بصريًا لمعرفة إن كانت توفر مفاتيح حول المتغيرات المفقودة المحتملة من نموذج التراجع.

يمكنك استخدام نموذج التراجع الذي تم إنشائه لإنشاء تنبؤات للمعالم الأخرى. يتطلب إنشاء تلك التنبؤات أن تتضمن معالم التنبؤ على (اختر طبقة للتنبؤ بالقيم لـ) قيم لكل متغير من المتغيرات التوضيحية الموجودة. إذا كانت أسماء الحقول من معالم الإدخال ومعلمات مواقع التنبؤ غير متطابقة، يتم توفير معلمة مطابقة المتغير. عند مطابقة المتغيرات التوضيحية، يتعين أن تكون الحقول من معالم الإدخال ومعلمات مواقع التنبؤ من نفس النوع (فعلى سبيل المثال، يجب أن تتطابق الحقول المزدوجة مع بعضها).

المخرجات

تُنتج أداة "الانحدار الخطي المعمم" مجموعة متنوعة من المخرجات. يتوفر ملخص نموذج GLR وملخصات إحصائية على صفحة عنصر البوابة الإلكترونية وكمورد على الطبقة. للوصول إلى ملخص النتائج، انقر فوق عرض النتائج عرض النتائج أسفل الطبقة الناتجة في Map Viewer Classic. تقوم الأداة بإنشاء طبقة ناتجة واحدة على الأقل ومعالم توقعات ناتج اختياري. يتم إضافة المعالم الناتجة تلقائيًا إلى Map Viewer Classic مع تطبيق مخطط عرضي فعال وغير فعال على القيم المتبقية للنموذج. يتم إنشاء التشخيصات بناءً على نوع نموذج معالم الإدخال والموضحة أدناه.

مستمر (غاوسي)

تفسير التشخيصات والرسائل

  • AIC—مقياس لأداء النموذج ويمكن استخدامه لمقارنة نماذج التراجع. مع الأخذ في الاعتبار تعقيد النموذج، يوفر النموذج ذو قيمة AIC الأقل ملاءمة أفضل للبيانات المراقَبَة. AIC ليس مقياسًا مطلقًا لكفاءة المطابقة لكنه مفيد لمقارنة النماذج بالمتغيرات التوضيحية المختلفة طالما تنطبق على نفس المتغير التابع. إذا اختلفت قيم AIC لنموذجين لأكثر من 3، فإن قيمة AIC للنموذج الأقل تعتبر أكثر دقة.
  • AICc—يطبق AICc تصحيح انحراف على AIC لأحجام عينية صغيرة. سيقترب AICc من AIC كلما ازداد عدد المعالم في الإدخال. اطلع على AIC أعلاه.
  • الجزر التربيعي R المتعدد—الجزر التربيعي R المتعدد هو مقياس لكفاءة المطابقة. تتنوع قيمته ما بين 0.0 إلى 1.0، مع تفضيل القيم العالية: يمكن تفسيره بأنه نسبة تباين المتغير التابع التي تم احتسابها من قبل نموذج التراجع. مقام حساب الجزر التربيعي R هو مجموع قيم المتغير التابع التربيعي. إضافة متغيرات توضيحية إضافية إلى النموذج لا يغير المقام لكنه يغير البسط؛ ويعطي ذلك انطباع التحسين في ملائمة النموذج الذي قد لا يكون حقيقيًا. راجع الجزر التربيعي R المعدل أدناه.
  • الجزر التربيعي R المعدل—بسبب المشكلة الموضحة أعلاه عن قيمة الجزر التربيعي، تقوم حسابات قيمة الجزر التربيعي R المعدل بتسوية البسط والمقام حسب درجات الحرية. ولدى ذلك تأثير التعويض لعدد المتغيرات في نموذج، ونتيجة لذلك، فإن قيمة الجزر التربيعي R المعدل غالبًا ما تكون أقل من قيمة الجزر التربيعي R. ومع ذلك، عند إجراء هذا التعديل، تفقد تفسير القيمة كما تم توضيح نسبة التباين. في انحدار المرجع جغرافيًا (GWR)، عدد درجات الحرية الفعالة هي الدالة المجاورة المستخدمة، لذلك فإن التعديل قد يكون محدد تقريبًا مقارنة بنموذج عام مثل GLR. لهذا السبب، تُفضل AICc كوسائل لمقارنة النماذج.

ثنائي (منطقي)

تفسير التشخيصات والرسائل

  • AIC—مقياس لأداء النموذج ويمكن استخدامه لمقارنة نماذج التراجع. مع الأخذ في الاعتبار تعقيد النموذج، يوفر النموذج ذو قيمة AIC الأقل ملاءمة أفضل للبيانات المراقَبَة. AIC ليس مقياسًا مطلقًا لكفاءة المطابقة لكنه مفيد لمقارنة النماذج بالمتغيرات التوضيحية المختلفة طالما تنطبق على نفس المتغير التابع. إذا اختلفت قيم AIC لنموذجين لأكثر من 3، فإن قيمة AIC للنموذج الأقل تعتبر أكثر دقة.
  • AICc—يطبق AICc تصحيح انحراف على AIC لأحجام عينية صغيرة. سيقترب AICc من AIC كلما ازداد عدد المعالم في الإدخال. اطلع على AIC أعلاه.

العدد (بواسون)

تفسير التشخيصات والرسائل

  • AIC—مقياس لأداء النموذج ويمكن استخدامه لمقارنة نماذج التراجع. مع الأخذ في الاعتبار تعقيد النموذج، يوفر النموذج ذو قيمة AIC الأقل ملاءمة أفضل للبيانات المراقَبَة. AIC ليس مقياسًا مطلقًا لكفاءة المطابقة لكنه مفيد لمقارنة النماذج بالمتغيرات التوضيحية المختلفة طالما تنطبق على نفس المتغير التابع. إذا اختلفت قيم AIC لنموذجين لأكثر من 3، فإن قيمة AIC للنموذج الأقل تعتبر أكثر دقة.
  • AICc—يطبق AICc تصحيح انحراف على AIC لأحجام عينية صغيرة. سيقترب AICc من AIC كلما ازداد عدد المعالم في الإدخال. اطلع على AIC أعلاه.

قيود

يتضمن تنفيذ GeoAnalytics للانحدار الخطي المعمم على القيود التالية:

  • إنه نموذج تراجع عالمي ولا يأخذ في اعتباره التوزيع المكاني للبيانات.
  • لا ينطبق التحليل على اختبار موران I في القيم المتبقية.
  • يتم تدعيم مجموعات بيانات المعالم (النقاط والخطوط والمضلعات والجداول) كمدخلات؛ البيانات النقطية غير مدعومة.
  • لا يمكنك تصنيف القيم إلى عدة تصنيفات.

مثال لـ ArcGIS API for Python

تتوفر أداة "الانحدار الخطي المعمم" من خلال ArcGIS API for Python.

يتناسب هذا المثال مع نموذج في مجموعة بيانات ويطبق التنبؤ على مجموعة أخرى.


# Import the required ArcGIS API for Python modules
import arcgis
from arcgis.gis import GIS

# Connect to your ArcGIS Enterprise portal and confirm that GeoAnalytics is supported
portal = GIS("https://myportal.domain.com/portal", "gis_publisher", "my_password", verify_cert=False)
if not portal.geoanalytics.is_supported():
    print("Quitting, GeoAnalytics is not supported")
    exit(1)   

# Search for and list the big data file shares in your portal
search_result = portal.content.search("", "Big Data File Share")

# Look through the search results for a big data file share with the matching name
bdfs_search = next(x for x in search_result if x.title == "bigDataFileShares_SalesData")

# Look through the big data file share for 2018 sales data to model
model_layer = next(x for x in bdfs_search.layers if x.properties.name == "2018_sales")

# Find the dataset you want to predict
predict_layer_search = portal.content.search("Sales_2025", "Feature Layer")
predict_layer = predict_layer_search[0].layers[0]


# Run the Generalized Linear Regression tool
glr_result = arcgis.geoanalytics.analyze_patterns.glr(input_layer = model_layer, 
																																																						features_to_predict = predict_layer,
																																																						var_explanatory = "salestotal, store_count, advertisingcost",
																																																						var_dependent = "chicago_crimes_enriched",
																																																						regression_family = "Count",
																																																						exp_var_matching = [{"predictionLayerField":"store_count", 
																																																					 																			"trainingLayerField": "num_of_stores"}],
																																																						output_name = "predicted_customers")

# Visualize the results if you are running Python in a Jupyter Notebook
processed_map = portal.map()
processed_map.add_layer(glr_result)
processed_map

أدوات مشابهة

استخدم أداة الانحدار الخطي المعمم ArcGIS GeoAnalytics Server لإنشاء توقعات أو لنمذجة متغير تابع من حيث علاقته بمجموعة من المتغيرات التوضيحية. قد تكون الأدوات الأخرى مفيدة في حل الأدوات المشابهة لكن المشاكل تختلف قليلاً.

أدوات تحليل Map Viewer Classic

قم بإنشاء نماذج وتوقعات باستخدام أداة التصنيف والتراجع على أساس الغابة ArcGIS GeoAnalytics Server.

أدوات تحليل ArcGIS Desktop

لتشغيل هذه الأداة من ArcGIS Pro، يجب أن تكون البوابة الإلكترونية النشطة Enterprise الإصدار 10.7 أو أحدث. يجب عليك تسجيل الدخول باستخدام حساب يتمتع بامتيازات تنفيذ تحليل معالم GeoAnalytics.

قم بتنفيذ عمليات تراجع مشابهة في ArcGIS Pro باستخدام أداة الانحدار الخطي المعمم للمعالجة الجغرافية كجزء من مربع أدوات الإحصائيات المكانية.

قم بإنشاء نماذج وتوقعات باستخدام تكيف خوارزمية غابات ليو بريمان العشوائية في ArcGIS Pro باستخدام أداة التصنيف والتراجع على أساس الغابة للمعالجة الجغرافية كجزء من مربع أدوات الإحصائيات المكانية.

قم بتنفيذ GWR في ArcGIS Pro باستخدام أداة الانحدار المرجح جغرافيًا للمعالجة الجغرافية كجزء من مربع أدوات الإحصائيات المكانية.