انتخاب متغیر با استفاده از رگرسیون وارون ورقه شدۀ شبکه ارتجاعی سازوار

شناسایی متغیر های موثر، باعث ایجاد درک و تفسیرپذیری بهتر مدل، بهبود عملکرد و کارایی آن و در نهایت،رسیدن به پیش بینی بهتر می شود. تاکنون، چندین روش برای انتخاب متغیر پیشنهاد شده است؛ اما اغلب با مشکلاتیمانند عدم مدل سازی، هزینۀ محاسباتی بالا، بیش برازش، پیروی از توزیع و مدل خاصمواجه هستند و ابعاد بسنده رانیز، در نظر نمی گیرند. در این مقاله، برای رفع این محدودیت ها، روشی مبتنی بر رگرسیون وارون ورقه شدۀ شبکه ارتجاعیسازوار، برای انتخاب متغیر در شرایطی که هم خطی بین متغیرهای تبیینی وجود دارد، ارائه می شود. آنگاه در یکمطالعۀشبیه سازی ، دقت و پایداری برآورد ضرایب و انتخاب متغیرهای حاصل از این روش، با شش روش منتخب پیشین،مورد ارزیابی و مقایسه قرار می گیرد و ملاحظه می شود که روش پیشنهادی، به طور قابل توجهی نتایج را بهبود بخشیدهاست.

variable selection using the adaptive elastic-net sliced inverse regression

identifying effective variables creates a better understanding and interpretabilityof a model, improves its performance and efficiency, and ultimately achieves better predictability.so far, several methods have been proposed for variable selection. still, oftenthey face problems such as non-modeling, high computational cost, over-fitting, following aspecific distribution and model, and not considering sufficient dimensions. in this paper, toovercome these limitations, a method based on the inverse regression of the adaptive elasticnetis proposed to select the variable in situations with colinearity between the explanatoryvariables. then, in a simulation study, the accuracy and stability of estimating the coefficientsand selecting the variables obtained from this method are evaluated and compared with thesix previously chosen methods. it is shown that the proposed method has significantly improvedthe results.