ترجمه فارسی مقاله انتخاب متغیر مستقل از مدل از طریق اولویت متغیر مبتنی بر قانون

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Model-independent variable selection via the rule-based variable priority
عنوان مقاله به فارسی انتخاب متغیر مستقل از مدل از طریق اولویت متغیر مبتنی بر قانون
نویسندگان Min Lu, Hemant Ishwaran
فرمت مقاله انگلیسی PDF
تعداد صفحات 41
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 16 September, 2024; v1 submitted 13 September, 2024; originally announced September 2024.
توضیحات به فارسی ارائه شده 16 سپتامبر 2024 ؛V1 ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

While achieving high prediction accuracy is a fundamental goal in machine learning, an equally important task is finding a small number of features with high explanatory power. One popular selection technique is permutation importance, which assesses a variable's impact by measuring the change in prediction error after permuting the variable. However, this can be problematic due to the need to create artificial data, a problem shared by other methods as well. Another problem is that variable selection methods can be limited by being model-specific. We introduce a new model-independent approach, Variable Priority (VarPro), which works by utilizing rules without the need to generate artificial data or evaluate prediction error. The method is relatively easy to use, requiring only the calculation of sample averages of simple statistics, and can be applied to many data settings, including regression, classification, and survival. We investigate the asymptotic properties of VarPro and show, among other things, that VarPro has a consistent filtering property for noise variables. Empirical studies using synthetic and real-world data show the method achieves a balanced performance and compares favorably to many state-of-the-art procedures currently used for variable selection.

چکیده به فارسی (ترجمه ماشینی)

در حالی که دستیابی به دقت پیش بینی بالا یک هدف اساسی در یادگیری ماشین است ، یک کار به همان اندازه مهم یافتن تعداد کمی از ویژگی ها با قدرت توضیحی بالا است.یکی از تکنیک های انتخاب محبوب اهمیت جابجایی است که با اندازه گیری تغییر در خطای پیش بینی پس از جابجایی متغیر ، تأثیر متغیر را ارزیابی می کند.با این حال ، این امر به دلیل نیاز به ایجاد داده های مصنوعی ، مشکلی است که توسط سایر روش ها نیز به اشتراک گذاشته شده است.مشکل دیگر این است که روشهای انتخاب متغیر با استفاده از مدل خاص می توانند محدود شوند.ما یک رویکرد جدید مستقل از مدل ، اولویت متغیر (VARPRO) را معرفی می کنیم ، که با استفاده از قوانین بدون نیاز به تولید داده های مصنوعی یا ارزیابی خطای پیش بینی کار می کند.استفاده از این روش نسبتاً آسان است و فقط به محاسبه میانگین نمونه آمار ساده نیاز دارد و می تواند در بسیاری از تنظیمات داده ها از جمله رگرسیون ، طبقه بندی و بقا اعمال شود.ما خصوصیات مجانبی Varpro را بررسی می کنیم و از جمله موارد دیگر نشان می دهیم که Varpro دارای یک ویژگی فیلتر ثابت برای متغیرهای نویز است.مطالعات تجربی با استفاده از داده های مصنوعی و واقعی در دنیای واقعی نشان می دهد که این روش به عملکرد متعادل دست می یابد و با بسیاری از روشهای پیشرفته در حال حاضر برای انتخاب متغیر مقایسه می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.