|
|
|
|
|
 |
جستجو در مقالات منتشر شده |
 |
|
2 نتیجه برای شبکههای عصبی
مریم ترکزاده ماهانی، سروش علیمرادی،
جلد 3، شماره 1 - ( 6-1388 )
چکیده
یکی از ابارهایی که برای تعیین اثرات غیرخطی و اثرات متقابل بین متغیرهای تبیینی در یک مدل رگرسیون لوژستیک به کار میرود، استفاده از شبکههای عصبی واحد ضربی تکاملی است. به منظور براورد پارامترهای مدلی که بدین صورت به دست میآید. یک روش ترکیبی مورد استفاده قرار میگیرد؛ ین روش از ترکیب دو ابزار بهینهساز کلاسیک و الگوریتم تکاملی ساخته میشود. در این ماله ساختار شبکههای عصبی به گونهای تغییر داده میشود که تمام پارامترهای مدل با یک الگوریتم تکاملی قابل براورد باشند. سپس دو روش براورد مورد مقایسه قرار گرفته و نتایج نشان میدهد که براورد پارامترها با الگریتمهای تکاملی منجر به مدلی میشود که از نظر معیار اطلاع آکائیک نسبت به مدل لوژستیک معمولی دقیقتر است، اما استفاده از روش ترکیبی، مدل بهتری را نتیجه میدهد.
ترنم ترابی نعمان، مهدی عمادی، محمد آرشی،
جلد 20، شماره 1 - ( 6-1405 )
چکیده
در چشمانداز وسیع تحلیل دادههای مدرن، مواجهه با دادههای شمارشی که با مشکل فراوانی بیش از حد صفر درگیر هستند، یک معضل تحلیلی بنیادین به شمار میرود. مدلهای کلاسیک چون رگرسیون پواسون، در برابر این پدیده از خود ضعف نشان میدهد، زیرا فاقد توانایی برای تفکیک صفرهای ساختاری (ناشی از فرایندهای قطعی) از صفرهای تصادفی (ناشی از فرایندهای تصادفی) هستند. اگرچه مدلهای رگرسیون پواسون آماسیده در صفر گامی مهم در جهت حل این چالش برداشتهاند، اما کارایی آنها در عصر دادههای بزرگ و با ابعاد بسیار بالا، با محدودیتهای جدی روبهرو است. این پژوهش، با نگاهی فراتر از چارچوبهای سنتی، چارچوبی نوین مبتنی بر شبکههای عصبی عمیق را برای تقویت و متحول ساختن مدلهای رگرسیون پواسون آماسیده در صفر معرفی میکند. این رویکرد ترکیبی، با بهرهگیری از قدرت بینظیر یادگیری عمیق در استخراج ویژگیهای غیرخطی و پیچیده، قادر است فرایند دوگانه تولید دادهها (فرایند تولید صفر و فرایند شمارش) را با دقتی بیسابقه مدلسازی کند. نتایج حاصل از شبیهسازیهای گسترده و کاربرد بر روی مجموعه دادههای واقعی، برتری چشمگیر این معماری نوین را در سناریوهای با ابعاد بالا و روابط متغیرهای پیچیده، به وضوح آشکار میسازد.
|
|
|
|
|
|
|
|
|
|
|
