ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > Support Vector Machine Variabl...>الوصف

Support Vector Machine Variable Selection with Lasso and Group Lasso

المصدر: مجلة القادسية للعلوم الإدارية والاقتصادية
الناشر: جامعة القادسية - كلية الادارة والاقتصاد
المؤلف الرئيسي: Dikheel, Tahir R. (Author)
مؤلفين آخرين: Aswad, Zahraa K. (Co-Author)
المجلد/العدد: مج24, ع4
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2022
الصفحات: 265 - 273
ISSN: 1816-9171
رقم MD: 1345613
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EcoLink
مواضيع:
الأساليب الإحصائية | الانحدار الذاتي | آلة متجه الدعم | أسلوب المحاكاة
كلمات المؤلف المفتاحية:
Support Vector Machine | Variable Selection | Lasso | Group Lasso
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
المستخلص: آلة متجه الدعم (SVM) هي طريقة تصنيف ثنائية تتسم بالدقة والمرونة. لقد حققت نجاحا كبيرا، ولكن إذا تمت إضافة العديد من المتغيرات، فقد ينخفض أداؤها. طريقة lasso تعاقب على انحدار المربعات الصغرى بإضافة القيم المطلقة للمعاملات (-ℓ1 معيار). يشجع هيكل هذه العقوبة على حلول متفرقة (مع العديد من معاملات المتغيرات التي تساوي 0). الهدف الرئيسي للمجموعة lasso هو بناء lasso بصيغة المجموعة، من أجل إيجاد العناصر المشتركة للمجموعات. توضح المحاكاة أن طريقة Lasso group تتفوق على lasso.

The support vector machine (SVM) is a binary classification approach that is both accurate and flexible. It has had significant success, but if too many variables are added, its performance might decrease. The lasso method penalizes least squares regression by adding the absolute values of the coefficients (ℓ1-norm). The structure of this penalty encourages sparse solutions (with many variables coefficients equal to 0). The major goal of group lasso is to construct the lasso, the group formula, in order to find the common elements of groups. The simulation shows that group lasso method outperforms the lasso.
ISSN: 1816-9171

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.