مشهورترین تکنیک تحلیل دادههای تابعی رویکرد مؤلفۀهای اصلی تابعی است که ابزاری مهم برای کاهش بعد نیز است. رگرسیون بردار پشتیبان شاخهای از یادگیری ماشین و ابزار قدرتمندی برای تحلیل داده است. در این مقاله با استفاده از رگرسیون مؤلفۀ اصلی تابعی براساس تاوانهای مشتق دوم، ریج و لاسو و با توجه به رگرسیون بردار پشتیبان با چهار هستۀ (خطی، چند جملهای، سیگمویید و شعاعی) در دادههای طیف سنجی به مدلسازی متغیر وابسته روی متغیرهای پیشبین پرداخته شده است. بر اساس نتایج بدست آمده طبق معیارهای نیکویی برازش پیشنهادی، مدل رگرسیون بردار پشتبان با هستۀ خطی و خطای بهینه شده $0.2$مناسبترین برازش را به دادهها داشته است.
Roohi A, Jahadi F, Roozbeh M. Functional principal component regression versus support vector regression for the analysis of spectroscopic data. Andishe 2023; 27 (1) :59-72 URL: http://andisheyeamari.irstat.ir/article-1-887-fa.html
روحی آرتا، جهادی فاطمه، روزبه مهدی. رگرسیون مؤلفۀ اصلی تابعی در مقابل رگرسیون بردار پشتیبان برای تحلیل دادههای طیف سنجی. اندیشه آماری. 1401; 27 (1) :59-72