|
|
|
|
|
 |
جستجو در مقالات منتشر شده |
 |
|
8 نتیجه برای سیاره
عبدالرضا سیاره، پریسا ترکمان،
جلد 3، شماره 1 - ( 6-1388 )
چکیده
معیار آکائیک به طور گسترده در تئوری انتخاب مدل برای دادههای کامل به کار گرفته میشود، اما برای دادههای ناقص وقتی مدلها غیرآشیانهای و بد-توصیف شده هستند کمتر مورد توجه قرار گرفته است. در این مقاله به انتخاب یک مدل مناسب از بین مدلهای رقابتی برای دادههای سانسوریده از راست نوع II پرداخته میشود و اقدام به برآورد تفاضل مخاطرههای بین دو مدل غیر آشیانهای میگردد. سپس نشان داده میشود استنباط براساس دادههای مشاهده شده و سانسوریده به طور همزمان به جای در نظر گرفتن فقط دادههای مشاهده شده به نتایج بهتری منتهی خواهد شد. فاصله ردیابی مناسب برای تفاضل امید کولبک-لیبلر مشاهدات سانسوریده با احتمال مشخص معرفی میشود و از آنجا که هر فاصله اطمینان مجموعهای از فرضهای پذیرفتنی تحت فرض صفر است، فاصله به دست آمده برای انتخاب مدل مناسب به کار گرفته میشود.
عبدالرضا سیاره، رئوف عبیدی،
جلد 4، شماره 1 - ( 6-1389 )
چکیده
ملاک اطلاع آکاییک به طور گسترده ای برای انتخاب مدل به کار گرفته می شود، اما مقدار عددی آن تفسیر دقیقی ندارد. آزمون کاکس که تعمیمی از آزمون نسبت درستنمایی است برای انتخاب مدل از بین مدل های غیر آشیانی است یکی از معدود آزمون هابرای آزمون فرضیه های غیر آشیانی است. هنگامی که مدل درست دا ه ها مجهول است ، براساس ملاک اطلاع آکائیک یکی از مدل های رقیب انتخاب می شود. اما با قاطغیت نمی توان گفت که مدل انتخاب شده به وسله این ملاک تا چه اندازه برآورد مناسبی برای مدل درست است. زیرا مشخص نیست که مدل خوب -توصیف شده یا بد توصیف- شده است. در این مقاله ملاک اطلاع آکائیک وآزمون فرضیه کاکس و توانایی آن ها در ممیزی بین مدل ها مورد بررسی قرارگرفته است و به دکمک شبیه سازی به بررسی این موضوع پرداخته می شود که اگر براساس ملاک آکائیک، مدلی را به عنوان برآورد مدل درست بپذیریم آیا آزمون کاکس قدرت تشخیص مدل بهتر را دارد؟ همچنین به موضوع تعیین یک مجموعه از مدل های رقیب پرداخته و روشی برای انتخاب این مجموعه پیشنهاد می شود.
عبدالرضا سیاره،
جلد 4، شماره 2 - ( 12-1389 )
چکیده
یکی از مسایل اساسی در استنباط آماری انتخاب مدل بهینه از میان مدل های رقیب است. در این مقاله ثابت شده است که خطای نسبی بین دو مدل دارای خاصیت زبرجمعی است و با استفاده از آن نشان داده شده است که ترکیب محدب مدل های رقیب از نظر معیار واگرایی کولبک - لیبلر مدلی را ایجاد می کند که یا بهتر از تمام مدل های رقیب است و یا لااقل از دورترین مدل رقیب به مدل درست داده ها بهتر است بررسی شبیه سازی یافته های نظری را تایید می کنند
قباد برمال زن، عبدالرضا سیاره،
جلد 4، شماره 2 - ( 12-1389 )
چکیده
در تحلیل های آماری با یک نمونه تصادفی از یک جامعه با چگالی درست و نامعلوم روبرو هستیم. معمولا مدلی پارامتری به عنوان تقریبی از این چگالی در نظر گرفته می شود و استنباط براساس آن صورت می گیرد. به طور بدیهی مبایست چگالی پارامتری به چگالی درست نزدیک باشدتا به استنباط معتبر در مورد جامعه دست یافته شود. پیشنهاد یک مدل قطعی براساس تعداد محدودی از مشاهدات به عنوان تقریب یا برآوردی از چگالی درست موجب بروز ریسک بزرگی در انتخاب مدل برای جامعه خواهد شد. به همین دلیل چند مدل غیرآشیانی انتخاب و بررسی می شود که کدام مدل به چگالی درست داده ها نزدیک تر است . در این مقاله به بررسی این سوال اساسی در انتخاب مدل پرداخته شده است که چگونه می توان مجموعه ای از مدل های مناسب را برای چگالی درست به دست آورد. روشی پیشنهاد می شود تا نشان داده شود که براساس ریسک کولبک -لیبلر در هر خانواده از مدل های رقیب کدام یک از چگالی ها از لحاظ نزدیکی به چگالی درست معادل هستند . مجموعه تمام عضوهای این خانواده که از لحاظ نزدیکی به چگالی درست معادل هستند مجموعه مجاز نامیده می شود.
نسرین مرادی، عبدالرضا سیاره، هانیه پناهی،
جلد 8، شماره 1 - ( 6-1393 )
چکیده
در این مقاله پارامترهای توزیع بور نوع سوم نمایی تحت داده های سانسوریده نوع دوم با روش ماکسیمم درستنمایی با الگوریتم امید میانگین و با رهیافت بیزی با در نظر گرفتن توزیع پیشین گاما و توابع زیان توان دوم خطا، لاینکس و آنتروپی برآورد شده اند. از روش نمونه گیری از نقاط مهم و تقریب لیندلی برای تقریب برآوردهای بیزی استفاده شده و برآوردگر بیزی حاصل با برآوردگر ماکسیمم درستنمایی مقایسه شده است. نتایج به کمک مطالعه شبیه سازی و تحلیل داده های واقعی مربوط به بیماری سرطان گلبول های سفید بررسی شده است. در حالت کلی برآوردگر بیزی بهتر از برآوردگر ماکسیمم درستنمایی عمل می کند و برآورد پارامترها با افزایش حجم نمونه بهتر می شود
حمید لرستانی، عبدالرضا سیاره،
جلد 9، شماره 2 - ( 12-1394 )
چکیده
برای مدل‌بندی بسیاری از پدیده‌های طبیعی از توزیع‌های نرمال یک یا چندمتغیره و مشتقات آن استفاده میشود. متغیرهای نرمال تاخورده به صورت قدر مطلق متغیرهای تصادفی نرمال تعریف می‌شوند. توزیع نرمال تاخورده یک‌متغیره، دومتغیره، خواص و کاربرد آنها توسط پژوهشگران مورد بررسب قرار گرفته است. اخیرا توزیع نرمال تاخورده چند متغیره و توزیع ماکسیمم متغیرهای تصادفی وابسته که دارای توزیع بیضوی تراز هستند نیز مورد مطالعه قرار گرفته است. در این مقاله توزیع ماکسیمم دو متغیر تصادفی دارای توزیع نرمال تاخورده دو متغیره که توزیع توام آنها متعلق به خانواده بیضوی تراز نیست را به‌دست آورده و میانگین، واریانس و تابع مولد گشتاور آن مورد بررسی قرار گرفته است.
عبدالرضا سیاره، سعیده عبدالله‌زاده،
جلد 18، شماره 2 - ( 12-1403 )
چکیده
با پیشرفت فناوری‌های توالی‌یابی، آزمایش غیرتهاجمی NIPT توسعه یافته است و در غربالگری تریزومی 21 از طریق تشخیص DNA جنین موجود در خون مادر، استفاده میشود. برای تحلیل دادههای NIPT معمولاً از آزمون Z استفاده میشود. در روش‌های مورد استفاده برای تشخیص سندرم داون احتمال تشخیص اشتباه وجود دارد. بنابراین ارائۀ روشی که بتواند در کنار روش‌های تشخیصی به‌کار برده شود و کارایی این روش‌ها را بهبود بخشد؛ ضروری است. هدف اصلی این مقاله طراحی مدلی بر اساس الگوریتم‌های یادگیری ماشین برای تشخیص زودهنگام سندرم داون است؛ به‌طوری که بتوان از این روش‌ها برای افزایش دقت تشخیص استفاده کرد. در این مقاله به بهبود روش‌های تشخیصی به کمک الگوریتم‌های یادگیری ماشین مانند: ماشین بردار پشتیبان، بیز ساده، درخت تصمیم، جنگل تصادفی و نزدیکترین همسایه برای بررسی یک مجموعه دادۀ مربوط به سندرم داون پرداخته شده است. عملکرد هر یک از مدلها در مجموعه دادۀ سندرم داون بررسی و در نهایت مناسب‌ترین مدل برای این هدف معرفی شده است. نتایج نشان می‌دهند که این الگوریتم‌ها دقت بسیار مناسبی در تشخیص این بیماری دارند.
ام البنین بشیری گودرزی، عبدالرضا سیاره، صدیقه زمانی مهریان،
جلد 19، شماره 1 - ( 6-1404 )
چکیده
الگوریتم تقویت، الگوریتمی ترکیبی برای کاهش عدم توازن و واریانس از خانوادۀ الگوریتم‌های یادگیری ماشین در حوزۀ یادگیری با نظارت است. این الگوریتم، روشی برای تبدیل سیستم‌های یادگیری ضعیف به سیستم قوی بر اساس ترکیب نتایج مختلف است. پس از انتخاب متغیر‌ها و ساخت مدل اولیه، با تنظیم نرخ یادگیری و سایر پارامترهای الگوریتم تقویت، مدلهای ضعیف به مدل قوی‌تری برای برازش به داده‌ها تبدیل میشود.
در این مقاله مدلهای آمیخته با اثرات تصادفی برای کوچک نواحی در نظر گرفته شده که در آن خطاها از مدل $AR-GARCH$ پیروی می‌کنند. به‌منظور انتخاب متغیر در این مدلها برای کوچک نواحی، الگوریتم تقویت پیشنهاد شده است. با دادههای شبیه‌سازی شده و دادههای مالیاتی، عملکرد الگوریتم تقویت در انتخاب متغیر با روش‌های کلاسیک انتخاب متغیر مورد مطالعه قرار گرفته است. نتایج نشان می‌دهند الگوریتم تقویت عملکرد بهتری در انتخاب متغیر برای کوچک نواحی دارد.
|
|
|
|
|
|
|
|
|
|
|
