کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4949324 1440044 2017 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Simultaneous dimension reduction and variable selection in modeling high dimensional data
ترجمه فارسی عنوان
کاهش ابعاد همزمان و انتخاب متغیر در مدل سازی داده های با ابعاد بزرگ
ترجمه چکیده
پیش بینی کننده های بعدی در تجزیه و تحلیل رگرسیون اغلب با چندین همبستگی همراه با سایر مشکلات تخمین زده می شود. این مشکلات را می توان با استفاده از روش بهینه سازی محدود شده کاهش داد که به طور همزمان موجب کاهش ابعاد و انتخاب متغیر می شود که سطح بالایی از قابلیت پیش بینی شده مدل را نیز حفظ می کند. مطالعات شبیه سازی نشان می دهد که این روش می تواند رگرسیون جزئی ضعیف، حداقل عملگر انقباض و انتخاب مطلق و روش های خالص الاستیک را از نظر توانایی پیش بینی و انتخاب بهینه ورودی ها بهتر کند. علاوه بر این، روش مدل های کاهش یافته با خطاهای پیش بینی های کوچکتر را از مدل های تخمین زده شده از رگرسیون جزء اصلی یا رگرسیون کوواریانس اصلی کاهش می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
چکیده انگلیسی
High dimensional predictors in regression analysis are often associated with multicollinearity along with other estimation problems. These problems can be mitigated through a constrained optimization method that simultaneously induces dimension reduction and variable selection that also maintains a high level of predictive ability of the fitted model. Simulation studies show that the method may outperform sparse principal component regression, least absolute shrinkage and selection operator, and elastic net procedures in terms of predictive ability and optimal selection of inputs. Furthermore, the method yields reduced models with smaller prediction errors than the estimated full models from the principal component regression or the principal covariance regression.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 112, August 2017, Pages 242-256
نویسندگان
, ,