استفاده رگرسیون بردار پشتیبان برای تحلیل داده بافت چشم

مقدمه و هدف: معروفترین روش برای برآورد ، روش کمترین توا نهای دوم است. این روش، بسیار رایج، ساده و کاربردی است. اینرو ش محبو ب د ر کنار سادگ ی محاسبات و تمامی محاسنش د ر برخ ی شرایط خاص نظیر وجود هم خطی (وجود ارتباط خطی مابینمتغیرهای توضیحی)، وجود نقاط دورافتاده (نقاطی که از طرح کلی داده ها تبعیت نمی کنند) و تحلیل مجموعه داده ها با بعد بالا (مجموعهداده هایی که در آن متغیرهای مستقل بسیار بیشتر از تعداد مشاهدات است) عملکرد مناسب و قابل اعتمادی ندارد. روش رگرسیون بردارپشتیبان که یکی از روش های یادگیری ماشین است می تواند جایگزین بسیار مناسبی برای روش کمترین توان های دوم باشدمواد و روش ها : در این مطالعه مجموعه داده بافت چشم که یک مجموعه داده با بعد بالا با تعداد ۲۰۰ متغیر و ۱۲۰ مشاهده است ،مورد ا ستفاده قرار گرفته ا ست. در ا ین مجموعه داده ها، بر اساس میزان، سطح بیان ژن TRIM۳۲ و ۲۰۰ متغیر توضیحی برای اندازه گیریپروب های ژن وجود دارد. لازم به ذکر است تمامی محاسبات با نر مافزار R انجام شده است. بر روی داده ها روش رگرسیون بردار پشتیباناعمال شد.یافته ها : نقاط پرت توسط روش کمترین توان های دوم پیراسته (یک روش استوار در برابر داده پرت) شناسایی شد. مدلبندی براساسسه روش لاسو (روش رگرسیونی بعد بالا)، کمترین توان های دوم پیراسته و روش رگرسیون بردار پشتیبان انجام شد و این سه روش باسه معیار ، و مقایسه شدند. روش رگرسیون بردا پشتیبان نتایج بهتری نسبت به سایر روش د و دیگر داشت.نتیجه گیری: طبق این سه معیار روش رگرسیون بردار پشتیبان عملکرد بهتری نسبت به د و روش دیگر دارد. بنابراین در شرایطی که بامجموعه داده بعد بالا که دارای هم خطی و نقاط پرت نیز هستند مواجه باشیم روش رگرسیو ن بردار پشتیبان بسیار مناسب است.

کلیدواژه ها:

داده بافت چشم ، روش رگرسیون بردار پشتیبان ، مجموعه داد هها با بعد بالا ، نقاط پرت