ترجمه فارسی مقاله پیش بینی گروه از طریق انباشت وابسته به همبستگی

چکیده

This study proposes a novel approach to ensemble prediction, called “covariate-dependent stacking” (CDST). Unlike traditional stacking methods, CDST allows model weights to vary flexibly as a function of covariates, thereby enhancing predictive performance in complex scenarios. We formulate the covariate-dependent weights through combinations of basis functions, estimate them by optimizing cross-validation, and develop an expectation-maximization algorithm, ensuring computational efficiency. To analyze the theoretical properties, we establish an oracle inequality regarding the expected loss to be minimized for estimating model weights. Through comprehensive simulation studies and an application to large-scale land price prediction, we demonstrate that the CDST consistently outperforms conventional model averaging methods, particularly on datasets where some models fail to capture the underlying complexity. Our findings suggest that the CDST is especially valuable for, but not limited to, spatio-temporal prediction problems, offering a powerful tool for researchers and practitioners in various data analysis fields.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه یک رویکرد جدید برای پیش بینی گروه ، به نام “انباشت وابسته به همبستگی” (CDST) ارائه می دهد.بر خلاف روشهای سنتی انباشت ، CDST اجازه می دهد تا وزن مدل به عنوان تابعی از متغیرهای متغیر انعطاف پذیر باشد و از این طریق عملکرد پیش بینی کننده در سناریوهای پیچیده را افزایش می دهد.ما وزن های وابسته به متغیر را از طریق ترکیبی از توابع پایه تدوین می کنیم ، آنها را با بهینه سازی اعتبارسنجی متقابل تخمین می زنیم و یک الگوریتم انتظار حداکثر را توسعه می دهیم و از کارآیی محاسباتی اطمینان می دهیم.برای تجزیه و تحلیل خصوصیات نظری ، ما نابرابری اوراکل را در مورد از دست دادن مورد انتظار برای برآورد وزن مدل به حداقل می رساند.از طریق مطالعات جامع شبیه سازی و کاربردی برای پیش بینی قیمت زمین در مقیاس بزرگ ، ما نشان می دهیم که CDST به طور مداوم از روشهای متوسط ​​مدل معمولی ، به ویژه در مجموعه داده هایی که در آن برخی از مدل ها قادر به ضبط پیچیدگی اساسی نیستند ، بهتر عمل می کند.یافته های ما نشان می دهد که CDST به ویژه برای مشکلات پیش بینی مکانی و مکانی که به آن محدود نمی شود ، بسیار ارزشمند است ، و ابزاری قدرتمند را برای محققان و پزشکان در زمینه های مختلف تجزیه و تحلیل داده ها ارائه می دهد.