For Better Performance Please Use Chrome or Firefox Web Browser

Robust regression

Comments

براورد های گفته شده در سمینار چه مزیتی نسبت به براورگر کمترین مربعات دارد ؟

برای هر برآوردگر مقایسه با کمترین مربعات صورت گرفته و ذکرشده

شکل هایی که در سمینار هست به چه صورت تحلیل می شود؟

بین رگرسیون نیرومند و رگرسیون چندکی کدام یک برای داده‌های پرت بهترعمل می‌کند؟

آیا همواره راه حل های گفته شده برای برخورد با داده های پرت بهتر از حذف آن داده است؟

مسلما ما با حذف داده اطلاعاتمان صفر است و اطلاعات داده های حذف شده در نظر گرفته نمی‌شود ولی در این راه حل ها فقط اثر داده های پرت را کمتر کرده ولی از اطلاعات آن ها در تحلیل و مدل استفاده می کنیم و نسبت به حذف مسلما راه حل بهتری است

ممکن است داده ای با یکی از روش های گفته شده دور افتاده تشخیص داده شود و با روشی دیگر خیر؟

در سمینار رگرسیون نیرومند آیا نقاط اهرمی خوب برای مدل مشکلی ندارند؟ یعنی اینکه در جهت محور ایکس پرت هستند بد نیست؟و اگر مشکلی ندارد چرا پرت بودن در جهت محور وای بد می‌باشد؟و اینکه آیا این نوع داده ها برای رگرسیون چندکی و رگرسیون نیرومند نیز مشکل به وجود می‌آورد؟

روش ام چه مزیتی نسبت به روش حداقل مربعات دارد؟

کدام یک از این براوردگرهای ذکر شده بهتر هستند؟

نقاط اهرمگون چه تاثیری بر برآورد پارامترها دارد؟

نقاط اهرمگون چه تاثیری بر برآورد پارامترها دارد؟

اسلاید شماره ۱۸ و ۱۹ رو متوجه نشدم از کدوم یکی از منابع اورده شده؟

از کتاب مونت گومری فصل9

از بین برآوردهای رگرسیون نیرومند کدام یک بهتر است؟ و علت آن چیست؟

رگرسیون نیرومند چه مواقعی به کار میرود؟

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.

تحت نظارت وف ایرانی