دانلود مقاله ISI انگلیسی شماره 110715
ترجمه فارسی عنوان مقاله

مقادیر پیش بینی شده مقادیر دانش در تجزیه و تحلیل رگرسیون

عنوان انگلیسی
Knowledge-based Comparable Predicted Values in Regression Analysis
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
110715 2017 8 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Procedia Computer Science, Volume 114, 2017, Pages 216-223

ترجمه کلمات کلیدی
تجزیه و تحلیل رگرسیون، پروژکتور زیرمجموعه،
کلمات کلیدی انگلیسی
Regression analysis; Projection; Subspace;
ترجمه چکیده
تجزیه و تحلیل رگرسیون نقش مهمی در پیش بینی ارزش یک متغیر وابسته با استفاده از ارزش های متغیر مستقل دارد. برآورد مقادیر پیش بینی شده به عنوان مقادیر پیش بینی شده در یک زیرسیستم خطی که توسط بردارهای متغیرهای مستقل ارائه می شود به دست می آید. با این حال، اگر مجموعه داده ها به طور همزمان از چندین منبع داده مختلف مشاهده شده باشد، ما باید زیرشاخههای خطی متفاوتی ایجاد کنیم تا مقادیر مختلف پیش بینی شده مربوط به منابع داده متفاوت را برآورد کنیم. سپس، ما نمی توانیم مقادیر پیش بینی شده مختلف را مقایسه کنیم، زیرا زیرموهای خطی متفاوت هستند. برای حل این مشکل، یک روش برای به دست آوردن مقادیر پیش بینی شده قابل مقایسه از منابع مختلف داده شده با استفاده از یک نتیجه خوشه بندی فازی پیشنهاد شده و یک پروژکتور متعامد که دو بردار متفاوت را مطابق با دو متغیر وابسته متفاوتی به یک تقاطع دو زیر فضای خطی متفاوت. از این جهت، از آنجا که مقادیر پیش بینی شده مختلف از منابع مختلف داده می تواند در فضای مشترک به دست آید، ما می توانیم مقادیر پیش بینی شده مختلف را مقایسه کنیم.
پیش نمایش مقاله
پیش نمایش مقاله  مقادیر پیش بینی شده مقادیر دانش در تجزیه و تحلیل رگرسیون

چکیده انگلیسی

Regression analysis has a major role in predicting values of a dependent variable by using values of independent variables. The estimate of predicted values is obtained as projected values in a linear subspace spanned by vectors of independent variables. However, if the data set has been observed simultaneously from multiple different data sources, then we must create different linear subspaces to estimate the different predicted values corresponding to the different data sources. Then, we cannot compare the different predicted values, since the linear subspaces are different. In order to solve this problem, we propose a method to obtain comparable predicted values obtained from different data sources by utilizing a fuzzy clustering result and an orthogonal projector which projects two different vectors corresponded with the two different dependent variables to the same intersection of the two different linear subspaces. From this, since the different predicted values from different data sources can be obtained in the common space, we can compare the different predicted values.