For Better Performance Please Use Chrome or Firefox Web Browser

Variable selection

Comments

ساختار ماتریس واریانس کواریانس چه تاثیر یا استفاده ای داردکه بر اساس ساختار مشخص تر ان مدل انتخاب می کنیم ؟

با استفاده از ماتریس کوواریانس واریانس همبستگی ها رو مشخص می کنیم اگه همبستگی بین متغیرها زیاد بود از روش الستیک نت واگر همبستگی کم بود دیگر روش های انقباضی مناسب اند

توی روش لارس داریم دونه دونه متغیر ها رو به یک روش خاص وارد مدل میکنیم تا جایی که تک تک متغیر ها وارد مدل میشوند،این در حالی هستش که هدف ما کاهش تعداد متغیر های مدل است. این تناقض با هدف ما که کاهش تعداد متغیر های مدل است، نیست؟ چگونه میتوان این تناقض را توجیه کرد؟

در روش لارس عمل وارد کردن متغیر درون مدل به این صورت است که تا پایهن ورود اخرین متغیر مستقل داخل مدل انجام می شود در واقع ما در این روش در پایان تنها متغیرهای مستقل را در مدل داریم بنابراین هیچگونه همبستگی دیگری درون مدل نیست لذا ما به هدفمون که انتخاب متغیر های مستقل برای مدل است جهت حرف همبستگی و عدم تورم واریانس براوردگرها دست یافتیم

روش لارس تقریبا با الگو گرفتن از روش های لاسو و انتخاب پیشرو است که به رگرسیون کمترین زاویه معروف است و نقص های روش کلاسیک و پیچیدگی محاسبات روش لاسو را برطرف میکند.

در این روش در واقع ورود متغییر تا زمان صفر شدن ماکسیمم همبستگی ادامه دارد و بعد از ان دیگر متغییری وارد مدل نمی شود

در روش های انتخاب متغیر گفته شده که ماتریس کواریانس متغیر های پیشین نقش مهمی در انتخاب متغیر دارند ؟چگونه میتوان براساس ماتریس کواریانس انتخاب متغیر کرد؟

الستیک نت با متغیرهایی که دارای همبستگی است چگونه برخورد می کند؟

Add new comment

Plain text

  • Allowed HTML tags: <a> <em> <strong> <cite> <blockquote> <code> <ul> <ol> <li> <dl> <dt> <dd> <br> </br> <br/>
  • Web page addresses and e-mail addresses turn into links automatically.
CAPTCHA
This question is for testing whether you are a human visitor and to prevent automated spam submissions.
Image CAPTCHA
Enter the characters shown in the image.