این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیق در عملیات در کاربردهای آن، جلد ۲۱، شماره ۴، صفحات ۱-۱۴
عنوان فارسی الگوریتم کاهش گروهی در مدل جمعی ناپارامتری تاوانیده
چکیده فارسی مقاله مدل جمعی ناپارامتری یکی از مدل ­های رایج برای مدل­سازی رابطه بین متغیرها است. در این مقاله، مدل جمعی ناپارامتری بعد بالا را در نظر می­ گیریم که در آن تعداد متغیرهای توضیحی می­ تواند از تعداد مشاهدات بیشتر باشد، اما تعداد متغیرهای توضیحی موثر بر پاسخ نسبت به تعداد مشاهدات، کوچک است. وقتی تعداد متغیرهای توضیحی مدل زیاد باشد، تفسیر مدل مشکل‌تر و هزینه محاسبات افزایش می­یابد. لذا، شناسایی متغیرهای توضیحی موثر بر پاسخ یا مولفه ­های جمعی غیرصفر در این مدل بسیار مهم است. بدین منظور، ابتدا مولفه­ های جمعی را با استفاده از پایه­ های B - اسپلاین تقریب می‌زنیم. با به ­کارگیری این تقریب، مساله انتخاب متغیر به انتخاب گروه ­هایی از ضرایب غیرصفر تبدیل می­ شود. سپس از تابع­ های تاوان گروهی برای انتخاب ضرایب غیرصفر استفاده می­ کنیم. این امر معمولاً با مینیمم ­کردن مجموع توان­ های دوم خطا تحت یک شرط محدودکننده انجام می‌­شود. مینیمم ­کردن این تابع هدف تاوانیده مستلزم استفاده از روش ­های بهینه‌سازی است. در این مقاله از الگوریتم کاهش گروهی برای حل مساله مینیمم ­سازی فوق استفاده می­شود. در پایان، عملکرد این الگوریتم تحت سه تابع تاوان مختلف، با مطالعات شبیه‌سازی و تحلیل یک مجموعه داده واقعی بررسی می‌شود.

 
کلیدواژه‌های فارسی مقاله انتخاب متغیر گروهی، بهینه سازی، داده های بعد بالا، مدل جمعی ناپارامتری
عنوان انگلیسی Group Descent Algorithm in Penalized Nonparametric Additive Model
چکیده انگلیسی مقاله
Nonparametric additive model is one of the common models for modeling the relationship between variables. In this paper, we consider the high-dimensional nonparametric additive model in which the number of explanatory variables can exceed the number of observations, but the number of important explanatory variables relative to the number of observations is small. When the number of explanatory variables in the model is large, model interpretation becomes more difficult and computational costs increase. Therefore, identifying the explanatory variables that have a significant impact on the response or non-zero additive components in this model is crucial. To this end, we first approximate the additive components using B-spline bases. By employing this approximation, the problem of variable selection is transformed into selecting groups of non-zero coefficients. Then, we use grouped penalty functions for selecting non-zero coefficients. This is usually done by minimizing the sum of squared errors subject to a constraint. Minimizing this target function requires the use of optimization methods. In this paper, we utilize a group descent algorithm to solve the aforementioned minimization problem. Finally, the performance of this algorithm is examined under three different penalty functions through simulation studies and analysis of a real dataset.
 
کلیدواژه‌های انگلیسی مقاله Group Variable Selection, High-dimensional Data, Nonparametric Additive Model, Optimization.
نویسندگان مقاله محمد کاظمی | M. Kazemi
Department of Statistics, Faculty of Mathematical Sciences, University of Guilan, Rasht, Iran
گروه آمار، دانشکده علوم ریاضی، دانشگاه گیلان، رشت، ایران

نشانی اینترنتی http://jamlu.liau.ac.ir/browse.php?a_code=A-11-1976-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات