اکسپرس 24
ترجمه فارسی مقاله ریسک و اعتبارسنجی متقابل در رگرسیون ریج با نمونه‌های همبسته

ترجمه فارسی مقاله ریسک و اعتبارسنجی متقابل در رگرسیون ریج با نمونه‌های همبسته

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Risk and cross validation in ridge regression with correlated samples
عنوان مقاله به فارسی ریسک و اعتبارسنجی متقابل در رگرسیون ریج با نمونه‌های همبسته
نویسندگان Alexander Atanasov, Jacob A. Zavatone-Veth, Cengiz Pehlevan
فرمت مقاله انگلیسی PDF
تعداد صفحات 44
دسته بندی موضوعات Machine Learning,Disordered Systems and Neural Networks,Machine Learning,یادگیری ماشین , سیستم های بی نظم و شبکه های عصبی , یادگیری ماشین ,
توضیحات Submitted 11 August, 2024; v1 submitted 8 August, 2024; originally announced August 2024. , Comments: 44 pages, 18 figures. v2: updated funding acknowledgements
توضیحات به فارسی ارسال شده در 11 اوت 2024 ؛V1 ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 44 صفحه ، 18 شکل.v2: تأییدات بودجه به روز شده

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,760,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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

Recent years have seen substantial advances in our understanding of high-dimensional ridge regression, but existing theories assume that training examples are independent. By leveraging recent techniques from random matrix theory and free probability, we provide sharp asymptotics for the in- and out-of-sample risks of ridge regression when the data points have arbitrary correlations. We demonstrate that in this setting, the generalized cross validation estimator (GCV) fails to correctly predict the out-of-sample risk. However, in the case where the noise residuals have the same correlations as the data points, one can modify the GCV to yield an efficiently-computable unbiased estimator that concentrates in the high-dimensional limit, which we dub CorrGCV. We further extend our asymptotic analysis to the case where the test point has nontrivial correlations with the training set, a setting often encountered in time series forecasting. Assuming knowledge of the correlation structure of the time series, this again yields an extension of the GCV estimator, and sharply characterizes the degree to which such test points yield an overly optimistic prediction of long-time risk. We validate the predictions of our theory across a variety of high dimensional data.

چکیده به فارسی (ترجمه ماشینی)

سالهای اخیر در درک ما از رگرسیون ریج با ابعاد بالا پیشرفت های قابل توجهی داشته است ، اما نظریه های موجود فرض می کنند که نمونه های آموزش مستقل هستند.با استفاده از تکنیک های اخیر از تئوری ماتریس تصادفی و احتمال آزاد ، ما بدون علامت تیز برای خطرات داخلی و خارج از نمونه از رگرسیون ریج هنگامی که نقاط داده دارای همبستگی دلخواه هستند ، ارائه می دهیم.ما نشان می دهیم که در این تنظیم ، برآوردگر اعتبار سنجی متقاطع (GCV) نتوانسته است به درستی خطرات خارج از نمونه را پیش بینی کند.با این حال ، در موردی که باقیمانده های نویز همبستگی یکسان با نقاط داده دارند ، می توان GCV را اصلاح کرد تا یک برآوردگر بی طرفانه قابل کنترل را که در حد بالایی متمرکز است ، به دست آورد ، که ما Dub CorrgCV را دوبله می کنیم.ما بیشتر تجزیه و تحلیل بدون علامت خود را به این مورد گسترش می دهیم که در آن نقطه آزمون دارای همبستگی غیرقانونی با مجموعه آموزش باشد ، تنظیماتی که اغلب در پیش بینی سری زمانی مشاهده می شود.با فرض دانش از ساختار همبستگی سری زمانی ، این مجدداً گسترش برآوردگر GCV را به همراه دارد و به شدت مشخص می کند که میزان چنین نقاط آزمون پیش بینی بیش از حد خوش بینانه از خطر طولانی مدت را به همراه دارد.ما پیش بینی های نظریه خود را در انواع داده های مختلف ابعادی تأیید می کنیم.

📚 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.