تم إضافة تقرير جديد 2024
ارسل ملاحظاتك

ارسل ملاحظاتك لنا









الرئيسية > توظيف خوارزمية التعلم المعارض...>الوصف

توظيف خوارزمية التعلم المعارض لابن أوي المحسنة في تحسين الأنموذج شبه المعلمي في الجانب الاقتصادي: دراسة مقارنة

العنوان بلغة أخرى: Kernel Semi-Parametric Model Improvement Based on Opposition-Based Learning in Golden Jackal Optimization Algorithm: Comparative Study
المصدر: مجلة جامعة كركوك للعلوم الإدارية والاقتصادية
الناشر: جامعة كركوك - كلية الإدارة والاقتصاد
المؤلف الرئيسي: عبدالهادي، داليا محفوظ (مؤلف)
المؤلف الرئيسي (الإنجليزية): Abdulhadi, Dalia Mahfood
مؤلفين آخرين: رشيد، حسام عبدالرزاق (م. مشارك)
المجلد/العدد: مج14, ع4
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2024
الصفحات: 337 - 349
DOI: 10.32894/1913-014-004-024
ISSN: 2222-2995
رقم MD: 1528650
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EcoLink
مواضيع:
التعلم | الظواهر الاقتصادية | النماذج الرياضية | تحليل البيانات
كلمات المؤلف المفتاحية:
أنموذج الإنحدار شبه المعلمي | خوارزمية ابن أوي الذهبي | التعلم المعارض | Semiparametric Regression Model | Golden Jackal Optimization Algorithm | Opposition-Based Learning Technology
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

1

حفظ في:
المستخلص: تظهر الأبحاث والدراسات الحديثة اهتماما واسع النطاق بموضوع تحليل أنموذج الانحدار شبه المعلمي، والذي يجمع بين المكونات المعلمية واللامعلمية. ويعزى هذا الاهتمام إلى حقيقة أنه يعطي تقديرات دقيقة وفعالة للأنموذج الإحصائي. يقدم هذا البحث مقترحا لتحسين تقديرات نماذج الانحدار شبه المعلمية باستخدام تقنية التعلم القائم على المعارضة في خوارزمية أبن أوى لزيادة دقة هذه النماذج وتسريع عملية التقارب، وتوسيع مساحة الاستكشاف. تم تقييم فعالية استخدام هذه الخوارزمية من خلال مقارنتها بالطرائق الأكثر استخداما لتقدير الأنموذج إحصائيا مثل CV وGCV. وباستخدام بيانات اقتصادية حيث أظهرت النتائج أن خوارزمية OBL-GJO من حيث الدقة وسرعة التقارب تتفوق على الطرق التقليدية في حساب أنموذج انحدار النواة شبه المعلمي. استنادا لذلك سنأتي على استخدام نوعين من البيانات الاقتصادية الأولى أخذت من مصادر محلية والثانية أخذت من مصادر عالمية لما لها من الأثر الكبير في الاقتصاد ولتوضيح عملية التحسين باستخدام الخوارزمية المقترحة في النماذج.

Recent research and studies show widespread interest in the subject of semiparametric regression model analysis, which combines parametric and nonparametric components. This interest is because it gives accurate and effective statistical model estimates. This paper proposes to improve estimates of semiparametric regression models using opposition-based learning technology in the golden Jackal Optimization algorithm to increase the accuracy of these models, accelerate convergence, and expand the exploration area. The effectiveness of using this algorithm was evaluated by comparing it with the most commonly used methods for estimating the model statistically such as CV and GCV. Using economic data, the results showed that the OBL-GJO algorithm in terms of accuracy and convergence speed outperforms the traditional methods of calculating the semiparametric nucleus regression model. Based on that, we will use two types of economic data: the first was taken from local sources and the second was taken from global sources because of its great impact on the economy and to clarify the process of improvement using the algorithm proposed in the models.
ISSN: 2222-2995

عناصر مشابهة


© 2025 المنظومة. جميع الحقوق محفوظة.