|
|
|
|
|
 |
جستجو در مقالات منتشر شده |
 |
|
6 نتیجه برای درخت
سمیرا جلایری ، عبدالحمید رضایی رکن آبادی، غلام رضا محتشمی برزادران،
جلد 17، شماره 1 - ( 6-1391 )
چکیده
اجرای نمونه گیری با احتمالات متغیر به شیوه بدون جایگذاری ، علیرغم اهمیت آن بسیار پیچیده است و روش های متعددی برای اجرای آن پیشنهاد شده است
از جمله : طرح میدزونو و طرح سیستماتیک. یکی از روش هایی که در سال های اخیر توسط دویل و تایل (1998) معرفی شده است . روش تفکیکی منجر به نمونه گیری تصادفی ساده است که در این مقاله ضمن تشریح کامل این طرح ، با بیان مثالی ، نحوه ی محاسبه احتمال هریک از نمونه های ممکن را بیان نمود و با استفاده از نرم افزار آر برنامه ی اجرای آن را ارائه نموده ایم.
جلد 18، شماره 1 - ( 6-1392 )
چکیده
در این مقاله سعی شده است ضمن معرفی مختصری از مفاهیم، روش‌ها و الگوریتم‌های داده‌کاوی، داده‌کاوی در نرم‌افزار آماری R با استفاده از بسنه Rattle را ارائه نماییم. بسته Rattle فضای گرافیکی مناسب را برای انجام برخی از روش‌ها و الگوریتم‌ها، بدون نیاز به برنامه‌نویسی فراهم می‌کند. برخی از بخش‌های آن ضمن مثال شرح داده خواهد شد.
دکتر مهری جوانیان،
جلد 19، شماره 1 - ( 3-1393 )
چکیده
در این مقاله به شرح محاسبۀ توزیع حدی درجۀ گره ها در نوعی درخت تصادفی به نام درخت بازگشتی تصادفی k -مینیمال برچسب، وقتی که اندازۀ آن درخت به اندازۀ کافی بزرگ باشد؛ پرداخته شده است. درجهٔ خارجی یک گره در درخت بازگشتی تصادفی k -مینیمال برچسب، برابر با تعداد مشتریانی است که آن گره بدون واسطه در یک طرح هرمی بازاریابی جذب می کند.
دکتر فاطمه حسینی، دکتر امید کریمی، خانم فاطمه حامدی،
جلد 24، شماره 1 - ( 6-1398 )
چکیده
مدل‌های درختی یک روش جدید و ابتکاری را برای تحلیل مجموعه‌داده‌های بزرگ به‌وسیله تقسیم‌بندی فضای پیش‌بینی کننده‌ها به نواحی ساده‌تر به نمایش می‌گذارند. مدل رگرسیونی درختی جمعی بیزی، مدلی که در این مقاله به معرفی و توضیح آن می‌پردازیم، در ساختار خود از مدل جمع درختان استفاده می‌کند، زیرا ترکیب چند درخت از درخت تنها دقت بالاتری دارد. پس این مدل مبتنی بر درخت و جزء مدل‌های ناپارامتری است و در واقع تعمیمی از روش‌های رده‌بندی و رگرسیون درختی است، که در ساختار این روش‌ها درخت تصمیم وجود دارد. این روش‌ها تحلیلی قدرتمند برای کشف ساختار داده‌ها هستند و کاربرد آنها در علوم پزشکی بسیار وسیع است.
در این روش، روی پارامترهای مدل جمع درختان پیشین‌هایی در نظر گرفته می‌شود و سپس با استفاده از الگوریتم‌های کمکی به تحلیل می‌پردازد. در این مقاله ابتدا مختصراً مدل رگرسیونی درختی جمعی بیزی را معرفی کرده و سپس کاربرد آن را در تحلیل بقا با بررسی داده‌های مربوط به بیماران سرطان ریه بیان می‌کنیم.
علیرضا رضایی، مجتبی گنجعلی، احسان بهرامی،
جلد 25، شماره 1 - ( 11-1399 )
چکیده
بی‌پاسخی در آمارگیری‌ها منبعی برای بروز خطا در نتایج آمارگیری است و سازمان‌های ملی آماری همواره به دنبال راهکارهایی برای کنترل و کاهش آن هستند. پیش‌بینی واحدهای نمونه‌گیری بی‌پاسخ در آمارگیری قبل از اجرای آمارگیری از جمله راهکارهایی است که می‌تواند کمک زیادی به کاهش و مرتفع نمودن مشکل بی‌پاسخی آمارگیری داشته باشد. با توسعه‌های اخیر فناوری و تسهیل در محاسبات پیچیده امکان به کارگیری روش‌های یادگیری آماری، مانند درخت‌های رگرسیون و رده‌بندی یا ماشین بردار پشتیبان در بسیاری از مسائل از جمله پیش‌بینی بی‌پاسخی واحدهای نمونه‌گیری در آمارگیری‌ها فراهم شده است. در این مقاله ضمن مرور کلی روش‌های فوق، واحدهای نمونه‌گیری بی‌پاسخ در یک آمارگیری کارگاهی با استفاده از آنها پیش‌بینی شده و نشان داده می‌شود ترکیب روش‌های فوق دارای دقت بیشتری در پیش‌بینی درست بی‌پاسخی نسبت به هر کدام از روش‌های تکی است.
خانم طیبه کرمی، دکتر محی الدین ایزدی، دکتر مهرداد نیاپرست،
جلد 26، شماره 1 - ( 9-1400 )
چکیده
یکی از مسائل مهم در علوم مختلف موضوع رده‌بندی است. رگرسیون لوژیستیک یکی از روش‌های آماری برای رده‌بندی داده‌ها است که در آن توزیع داده‌ها معلوم فرض می‌شود.محققان امروزه علاوه بر روش‌های آماری از روش‌های دیگری که در آن نیاز به معلوم بودن توزیع داده‌ها نیست مانند روش‌های یادگیری ماشین برای رده‌بندی داده‌ها استفاده می‌کنند . در این در این مقاله علاوه بر رگرسیون لوژیستیک، برخی از الگوریتم های یادگیری ماشین شامل CART،تقویت، Bagging جنگل تصادفی در حوزه ی یادگیری با نظارت توضیح داده می شود. در نهایت با استفاده از ۴ مجموعه داده واقعی و یک مثال شبیه سازی شده کارایی رگرسیون لوژیستیک با الگوریتم‌های یادشده بر اساس معیار دقت و حساسیت و صحت مورد مقایسه قرار می گیرند.
|
|
|
|
|
|
|
|
|
