کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6869383 681363 2016 25 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Fast and accurate computation for kernel estimators
ترجمه فارسی عنوان
محاسبه سریع و دقیق برآوردگرهای هسته
کلمات کلیدی
محاسبه سریع، برآورد تراکم، رگرسیون چندجملهای محلی، الگوریتم نیشکر،
ترجمه چکیده
برآوردگرهای تراکم و رگرسیون استاندارد هسته ای، هنگام تجزیه و تحلیل مجموعه داده های بزرگ، به خوبی محاسباتی بسیار کند هستند و الگوریتم هایی که به صرفه جویی محاسباتی قابل توجهی بسیار مطلوب هستند. با در نظر گرفتن این هدف، دو روش سریع و دقیق محاسباتی در این مقاله برای محاسبه برآوردگرهای چندجملهای محلی و چند متغیره تعریف شده در یک شبکه به اندازه یکنواخت ارائه شده است. در مقایسه با اجرای مستقیم، الگوریتم های پیشنهادی منجر به صرفه جویی در محاسبات قابل توجهی می شوند. برای موردی که نقاط ارزیابی نقاط شبکه نیست، یک الگوریتم سریع نیز پیشنهاد شده است. نشان داده شده است که روش پیشنهادی به طور متناوب برتر از روش عمومی بنیادی است. مقایسهای عددی برای مقایسه سرعتهای محاسباتی و خطاهای خط روشهای پیشنهاد شده با آنهایی که از خطوط خطی و پیادهسازی مستقیم ساخته شدهاند ساخته شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
چکیده انگلیسی
Standard kernel density and regression estimators are well-known to be computationally very slow when analyzing large data sets, and algorithms that achieve considerable computational savings are highly desirable. With this goal in mind, two fast and accurate computational methods are proposed in this paper for computation of univariate and multivariate local polynomial estimators defined on an equally spaced grid. Compared to direct implementation, the proposed algorithms lead to substantial computational savings. For the case in which the evaluation points are not the grid points, a fast algorithm is also proposed. It is shown that the proposed method is asymptotically superior to the general binning method. Numerical comparisons are also made to compare computational speeds and error bounds of the proposed methods with those of the linear binning and the direct implementation.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 94, February 2016, Pages 49-62
نویسندگان
, ,