|
|
|
 |
جستجو در مقالات منتشر شده |
 |
|
3 نتیجه برای یادگیری ماشین
دکتر مهدی روزبه، آقای آرتا روحی، خانم فاطمه جهادی، دکتر سعید زالزاده، جلد 26، شماره 2 - ( 12-1400 )
چکیده
در این تحقیق، هدف بررسی و تحلیل روشی برای پیشبینی قیمت سهام بورس اوراق بهادار است. هرچند پیشبینی بازار سرمایه با توجه به وابستگی آن به عامل سیاست چندان ساده نیست،
اما با مدلسازی دادهها، پیشبینی عملکرد سهام بورس اوراق بهادار در بازه بلندمدت تا حدودی امکانپذیر خواهد بود. در این راستا با استفاده از مدلهای رگرسیون نیمپارامتری و رگرسیون بردار تکیهگاه
با هستههای مختلف و اندازهگیری خطاهای پیشبین، بر روی یکی از سهمهای بازار بورس اوراق بهادار بر اساس نوسانهای روزانه و مقایسه روشها با استفاده از معیارهای ریشه میانگین توان دوم خطاها
و میانگین قدرمطلق درصد خطاها، مدل رگرسیون بردار تکیهگاه با هسته شعاعی و خطای برابر 0.1
دارای مناسبترین برازش روی دادههای واقعی بازار سهام بوده است.
آقای آرتا روحی، خانم فاطمه جهادی، دکتر مهدی روزبه، جلد 27، شماره 1 - ( 12-1401 )
چکیده
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.
صدیقه زمانی مهریان، جلد 27، شماره 2 - ( 12-1401 )
چکیده
روش یادگیری آمیخته تقویت شده (BML)، روشی فزاینده برای یادگیری مدلهای آمیخته در مسئله طبقهبندی است. در هر مرحله از روش یادگیری آمیخته تقویت شده، مولفه جدیدی با توجه به یک تابع هدف در جهت به حداکثر رساندن تابع هدف به مدل آمیخته اضافه میشود. از جمله توابع هدف مورد استفاده در این روش، تابع درستنمایی و بهطور معادل معیارهای اطلاع هستند. در این روش مولفه جدیدی به مدل آمیخته اضافه میشود که باعث بیشترین افزایش تابع درستنمایی شود.
چون تابع درستنمایی و معیارهای اطلاع توانایی تشخیص مدلهای معادل را ندارد، بنابراین ممکن است مدل آمیخته جدید و مدل آمیخته فعلی معادل باشند و اضافه کردن مولفه جدید به مدل آمیخته فعلی باعث بهبود مدل نشود. در این مقاله روش یادگیری آمیخته تقویت شده با استفاده از آزمون انتخاب مدل وونگ که توانایی تشخیص مدلهای معادل را دارد، تصحیح شده است. همچنین عملکرد دو روش یادگیری با استفاده از دادههای شبیهسازی و مجموعه دادههای واردات کالای ایالات متحده توسط گمرک ارزیابی شده است.
|
|
|
|
|
|