|
|
|
|
|
 |
جستجو در مقالات منتشر شده |
 |
|
3 نتیجه برای انتخاب متغیر
محمد کاظمی، داود شاهسونی، محمد آرشی،
جلد 12، شماره 2 - ( 12-1397 )
چکیده
در این مقاله یک روش دو مرحله‌ای برای انتخاب متغیر و تشخیص مؤلفه‌های خطی و غیرخطی در مدل‌های جمعی با بعد بالا معرفی می‌شود. در مرحله اول، از یک روش غربالگری برای کاهش بعد فضای متغیرها استفاده می‌شود. این روش غربالگری بر اساس همبستگی فاصله‌ای بین متغیرهای توضیحی و تابع توزیع حاشیه‌ای متغیر پاسخ ساخته شده و زمانی که متغیر پاسخ دم سنگین یا دارای مقادیر فرین باشد، عملکرد خوبی را از خود نشان می‌دهد. در مرحله دوم، از روشی مبتنی بر دو تابع تاوان برای انتخاب همزمان مؤلفه‌های غیرصفر و خطی استفاده می‌شود. کارایی این روش دو مرحله‌ای با مطالعه شبیه‌سازی و تحلیل یک مجموعه داده واقعی بررسی شده است.
مژگان تعاونی، محمد آرشی،
جلد 14، شماره 2 - ( 12-1399 )
چکیده
در این مقاله، مسئله برآورد و انتخاب متغیر همزمان در مدل‌های خطی-جزئی با اثرات آمیخته برای داده‌های طولی با بعد بالا در نظر گرفته شده است. مولفه ناپارامتری موجود در مدل با اسپلاین‌های رگرسیونی تقریب زده شده و سپس از طریق بهینه‌سازی تابع هدف مبتنی بر تابع تاوان , برآورد و انتخاب متغیر به طور همزمان انجام می‌شود. در ادامه، رفتار حدی برآوردگرهای حاصل در چارچوب داده‌های طولی با بعد بالا که در آن تعداد پارامترها متناسب با افزایش حجم نمونه افزایش می‌یابد, مورد مطالعه قرار می‌گیرد. به منظور پیاده‌سازی روش برآورد پیشنهادی، یک الگوریتم تکراری مناسب برای انتخاب متغیرهای مهم و برآورد ضرایب غیر صفر ارائه گردیده است. در نهایت، عملکرد روش پیشنهادی با مطالعه شبیه‌سازی و تحلیل یک مجموعه داده واقعی مورد ارزیابی قرار گرفته است.
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.
|
|
|
|
|
|
|
|
|
|
|
