دانلود مقالات ISI درباره کمترین مربعات + ترجمه فارسی
Least Squares
آشنایی با موضوع
روش کمترین مربعات روشی در آمار است که برای حل دستگاه معادلاتی به کار میرود که تعداد معادلههایش بیش از تعداد مجهولهایش است. این روش بیشتر در تحلیل رگرسیون به کار میرود.
کمترین مربعات در واقع روشی برای برازش (fit) دادهها است. در روش کمترین مربعات، بهترین مدل برازششده بر مجموعهای از دادهها مدلی است که در آن مجموع مربع باقی ماندهها کمینه باشد. منظور از باقی مانده ها، اختلاف بین دادهٔ مشاهدهشده و مقداری است که از مدل به دست میآید.
این روش را نخستین بار کارل فردریش گاوس در سال ۱۷۹۴ میلادی بیان کرد. [۲] روش کمترین مربعات در بیشتر نرمافزارهای آماری و ریاضی وجود دارد. تحلیل رگرسیون یک موضوع آماری است که کاربرد گسترده ای دارد.
لاسو (LASSO)
تفاوت اساسی بین مدل ridge regression و لاسو این است که در اولی علیرغم افزایش جریمه، ضرایب در عین غیرصفر بودن کوچکتر می شوند، علیرغم اینکه صفر نمی شوند، در صورتی که در لاسو با افزایش جریمه، تعداد بسیار بیشتری از ضرایب به سمت صفر میل می کنند.
می توان یهینه سازی مربوط به لاسو را با روش های بهینه سازی درجه دوم یا در حالت کلی بهینه سازی محدب انجام داد.
به دلیل ایجاد ضرایب کم، لاسو در بسیاری از کاربردها مانند سنجش فشرده (به انگلیسی: compressed sensing) مورد استفاده قرار می گیرد.
در این صفحه تعداد 561 مقاله تخصصی درباره کمترین مربعات که در نشریه های معتبر علمی و پایگاه ساینس دایرکت (Science Direct) منتشر شده، نمایش داده شده است. برخی از این مقالات، پیش تر به زبان فارسی ترجمه شده اند که با مراجعه به هر یک از آنها، می توانید متن کامل مقاله انگلیسی همراه با ترجمه فارسی آن را دریافت فرمایید. در صورتی که مقاله مورد نظر شما هنوز به فارسی ترجمه نشده باشد، مترجمان با تجربه ما آمادگی دارند آن را در اسرع وقت برای شما ترجمه نمایند.
مقالات ISI کمترین مربعات (ترجمه نشده)
مقالات زیر هنوز به فارسی ترجمه نشده اند. در صورتی که به ترجمه آماده هر یک از مقالات زیر نیاز داشته باشید، می توانید سفارش دهید تا مترجمان با تجربه این مجموعه در اسرع وقت آن را برای شما ترجمه نمایند.
Keywords: کمترین مربعات; Line matching; Point matching; Point-line duality; Image registration; Least squares; Point merging; Rigid body transformation; Similarity measure
Keywords: کمترین مربعات; heritability; milk yield; least absolute value; bootstrap least squares; LAV; least absolute value; LS; least squares; N(0, Ï2); normal distribution with mean 0 and variance Ï2; RLAV; restricted least absolute value; RLS; restricted least squares; ZMRS;
Keywords: کمترین مربعات; Dynamic array; Periodic scanning; More correlated sources than active sensors; Underlying array; Least squares; Sparsity-regularized least squares; Second-order statistics