توابع چندربعی معکوس به عنوان اثرات غیرخطی در مدل های رگرسیون لوژستیکی

یک روش آماری رایج برای دسته بندی، استفاده از مدل های رگرسیون لوژستیک است. این روش با درنظرگرفتن اثرات خطی از ویژگیهای افراد یا اشیا به مدل سازی احتمالات پسین عضویت در هر دسته می پردازد. در عمل این گمان وجود دارد که اثرات غیرخطی ویژگی ها می توانند نقش موثری در دسته بندی صحیح مشاهدات داشته باشند. اما مسئله ای که در پی ورود اثرات غیرخطی به مدل لوژستیک مطرح می شود، برآوردیابی پارامترها است. تحقیقات در سال های اخیر با فرض اثرات غیرخطی مانند اثرات متقابل و توابع پایه شعاعی گاوسی در مدل، برای پاسخ به مسئله برآوردیابی، استفاده ترکیبی از ابزارهایی مانند شبکه های عصبی تکاملی و روشهای برآوردیابی ماکسیمم درستنمایی را پیشنهاد کرده اند. در این مقاله نوعی از توابع پایه شعاعی با نام توابع چندربعی معکوس به عنوان اثرات غیرخطی در مدل لوژستیک در نظر گرفته می شود و با روش ترکیبی، پارامترهای مدل برآورد می شوند. آزمایشات تجربی برای مقایسه مدلهای پیشنهادی در این مقاله، با استفاده از دادههای پزشکی و دادههای واقعی مربوط به یک کارخانه تولید فولاد انجام گرفته است. نتایج نشان می دهد که حضور توابع چندربعی معکوس نسبت به توابع گاوسی در مدل، میتواند باعث افزایش دقت دسته بندی شود

Keywords:

Classification , Logistic Regression , Inverse Multiquadratic Functions , Evolutionary Neural Networks , دسته بندی , رگرسیون لوژستیک , توابع چندربعی معکوس , شبکه های عصبی تکاملی