boosting algorithm
در نشریات گروه آمار-
الگوریتم تقویت، الگوریتمی ترکیبی برای کاهش عدم توازن و واریانس از خانواده الگوریتم های یادگیری ماشین در حوزه یادگیری با نظارت است. این الگوریتم، روشی برای تبدیل سیستم های یادگیری ضعیف به سیستم قوی بر اساس ترکیب نتایج مختلف است. پس از انتخاب متغیر ها و ساخت مدل اولیه، با تنظیم نرخ یادگیری و سایر پارامتر های الگوریتم تقویت، مدل های ضعیف به مدل قوی تری برای برازش به داده ها تبدیل می شود. در این مقاله مدل های آمیخته با اثرات تصادفی برای کوچک نواحی در نظر گرفته شده که در آن خطاها از مدل $AR-GARCH$ پیروی می کنند. به منظور انتخاب متغیر در این مدل ها برای کوچک نواحی، الگوریتم تقویت پیشنهاد شده است. با داده های شبیه سازی شده و داده های مالیاتی، عملکرد الگوریتم تقویت در انتخاب متغیر با روش های کلاسیک انتخاب متغیر مورد مطالعه قرار گرفته است. نتایج نشان می دهند الگوریتم تقویت عملکرد بهتری در انتخاب متغیر برای کوچک نواحی دارد.
کلید واژگان: الگوریتم تقویت، انتخاب متغیر، برآورد کوچک ناحیه ای، مدل های AR-GARCHThe boosting algorithm is a hybrid algorithm to reduce variance, a family of machine learning algorithms in supervised learning. This algorithm is a method to transform weak learning systems into strong systems based on the combination of different results. In this paper, mixture models with random effects are considered for small areas, where the errors follow the AR-GARCH model. To select the variable, machine learning algorithms, such as boosting algorithms, have been proposed. Using simulated and tax liability data, the boosting algorithm's performance is studied and compared with classical variable selection methods, such as the step-by-step method.
Keywords: Boosting Algorithm, Variable Selection, Small Area Estimation, $AR-GARCH$ Model
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.