مروری بر روش های جدید گزینش خصیصه درآمیخته متناهی مدل های رگرسیونی

گزینش متغیر (خصیصه) توجه زیادی را در آموزش های آماری معاصر و پژوهش های علمی اخیر به خود جلب کرده است. این امر عمدتا ناشی از پیشرفت سریع در فناوری نوین است که به دانشمندان اجازه می دهد داده هایی با اندازه ها و پیچیدگی بی سابقه را گردآوری کنند. یک نوع از مسائل آماری در چنین کاربردهایی به مدل بندی یک متغیر خروجی به عنوان تابعی از زیرمجموعه ای کوچک از تعداد زیادی خصیصه مربوط می شود. در برخی کاربردها، نمونه های داده ها ممکن است حتی از زیرجامعه های چندگانه برخواسته باشند. در این موارد، گزینش خصیصه ها (متغیرها) با قابلیت های پیشگویی درست برای هر زیرجامعه، جنبه ای حیاتی دارد. بهترین روش های گزینش زیرمجموعه از نوع کلاسیک برای بسیاری از کاربردهای آماری نوین به لحاظ محاسباتی بیش از حد گران هستند. روش های جدید گزینش خصیصه طی دهه ی گذشته به طور موفقیت آمیزی برای پرداختن به تعداد زیاد متغیرها پروژه شده اند. این روش ها برای گزینش متغیرهای مهم و برآورد کردن اثرات آنها در یک مدل آماری به طور همزمان، طراحی شده اند. در این مقاله، ما مروری بر پیشرفت های اخیر در نظریه، روش ها و پیاده سازی برای مسأله گزینش متغیر درآمیخته متناهی مدل های رگرسیونی ارائه می کنیم.