رگرسیون مولفۀ اصلی تابعی در مقابل رگرسیون بردار پشتیبان برای تحلیل داده‌‌های طیف سنجی

مشهورترین تکنیک تحلیل داده‌های تابعی رویکرد مولفۀ‌های اصلی تابعی است که ابزاری مهم برای کاهش بعد نیز است. رگرسیون بردار پشتیبان شاخه‌ای از یادگیری ماشین و ابزار قدرتمندی برای تحلیل داده است. در این مقاله با استفاده از رگرسیون مولفۀ اصلی تابعی براساس تاوان‌های مشتق دوم، ریج و لاسو و با توجه به رگرسیون بردار پشتیبان با چهار هستۀ (خطی، چند جمله‌ای، سیگمویید و شعاعی) در داده‌های طیف سنجی به مدل‌سازی متغیر وابسته روی متغیرهای پیش‌بین پرداخته شده است. بر اساس نتایج بدست آمده طبق معیارهای نیکویی برازش پیشنهادی، مدل رگرسیون بردار پشتبان با هستۀ خطی و خطای بهینه شده ‎ 0.2‎مناسب‌ترین برازش را به داده‌ها داشته است.

functional principal component regression versus support vector regression for the analysis of spectroscopic data‎

‎the most popular technique for functional data analysis is the functional principal component approach‎, ‎which is also an important tool for dimension reduction‎. ‎support vector regression is branch of machine learning and strong tool for data analysis‎. ‎in this paper by using the method of functional principal component regression based on the second derivative penalty‎, ‎ridge and lasso and support vector regression with four kernels (linear‎, ‎polynomial‎, ‎sigmoid and radial) in spectroscopic data‎, ‎the dependent variable on the predictor variables was modeled‎. ‎according to the obtained results‎, ‎based on the proposed criteria for evaluating the goodness of fit‎, ‎support vector regression with linear kernel and error equal to $0.2$ has had the most appropriate fit to the data set‎.‎