تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله رویکردهای جمعی برای رگرسیون: یک نظرسنجی – نشریه ACM

عنوان فارسی: رویکردهای جمعی برای رگرسیون: یک نظرسنجی
عنوان انگلیسی: Ensemble Approaches for Regression: A Survey
تعداد صفحات مقاله انگلیسی : 40 تعداد صفحات ترجمه فارسی : 66
سال انتشار : 2012 نشریه : ACM
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 5087 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.26Mb
رشته های مرتبط با این مقاله: آمار
گرایش های مرتبط با این مقاله: آمار ریاضی
مجله: بررسی محاسبات (Computing Surveys)
دانشگاه: دانشگاه پورتو
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه نشده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

مقدمه

یادگیری جمعی برای رگرسیون

رگرسیون

تعریف یادگیری جمعی

فرایند یادگیری جمعی. فرایند جمعی می تواند به سه مرحله تقسیم شود (Roli et al, 2001)

2.2.2 طبقه بندی و اصطلاحات

راه اندازی آزمایشی

درک خطای تعمیم جمعی

مثالی مفصل از روش جمعی برای رگرسیون

3.تولید جمعی

3.1.دستکاری داده ها

3.1.1.زیرمجموعه گیری از مجموعه آموزش

3.1.2.دستکاری ویژگی های ورودی

3.1.3دستکاری متغیر خروجی.

3.2. دستکاری فرایند مدل سازی

3.2.1دستکاری مجموعه پارامترها

3.2.2دستکاری الگوریتم القا.

3.2.3.دستکاری مدل

3.3.بحث درمورد تولید جمعی

4.هرس کردن جمعی

4.1. رویکردهای مبتنی بر پارتیشن بندی

4.2. رویکردهای مبتنی بر جستجو برای انتخاب مدل زیرمجموعه

4.2.1الگوریتم جستجو نمایی

4.2.2 الگوریتم جستجوی تصادفی

4.2.3. الگوریتم های جستجوی متوالی

4.3.مقیاس های ارزیابی برای هرس جمعی

4.4 بحث در مورد هرس کردن جمعی

5. ادغام جمعی

5.1. توابع ادغام

5.2 رویکرد پویا

5.3مطالعات تطبیقی

5.4بحث در مورد ادغام جمعی

6.بحث های کلی

7.نتیجه گیری

نمونه متن انگلیسی

1. INTRODUCTION Ensemble learning typically refers to methods that generate several models that are combined to make a prediction, either in classification or regression problems. This approach has been the object of a significant amount of research in recent years and good results have been reported (e.g., Liu et al. [2000], Breiman [2001a], and Rodr´ıguez et al. [2006]). The advantage of ensembles with respect to single models has been reported in terms of increased robustness and accuracy [Garc´ıa-Pedrajas et al. 2005]. Most work on ensemble learning focuses on classification problems. Unfortunately, successful classification techniques are often not directly applicable to regression. Therefore, although both are related, ensemble learning approaches for regression and classification have been developed somehow independently. As a consequence, existing surveys on ensemble methods for classification [Kuncheva 2004; Ranawana and Palade 2006; Polikar 2009; Rokach 2009b, 2009c, 2010] are not suitable for providing an overview of existing approaches for regression.

نمونه متن ترجمه

1. مقدمه

یادگیری جمعی معمولا به روش هایی اشاره دارد که چندین مدل تولید می کنند که به جهت پیش بینی چه در طبقه بندی و چه در مشکلات رگرسیون با هم ترکیب می شوند. در سال های اخیر این رویکرد موضوع تعداد زیادی از تحقیقات بوده است و نتایج خوبی نیز در این مورد گزارش شده است (برای مثال Liu et al(2000)، Breiman (2001a) و Rodriguuez et al (2006(. مزیت جمعی با توجه به مدل های منفرد در قالب افزایش ثبات ودقت گزارش شده است (Garcia-Pedrajas et al. 2005).

اکثر کارهای انجام شده در یادگیری جمعی بر مشکلات طبقه بندی متمرکز است. متاسفانه، تکنیک های طبقه بندی موفق اغلب به طور مستقیم برای رگرسیون قابل اجرا نیستند. بنابراین، اگرچه هر دو مرتبط اند، اما رویکردهای یادگیری جمعی برای رگرسیون و طبقه بندی تا حدی به طور مستقل توسعه یافته اند. در نتیجه، نظرسنجی موجود در مورد روش های جمعی برای طبقه بندی (Kuncheva 2004، Ranawana و Palade2006، Polikar 2009، Rokach 2009b، 2009 c، 2010(به جهت بررسی رویکردهای موجود در رگرسیون مناسب نمی باشند.