رگرسیون مولفه اصلی تابعی در مقابل رگرسیون بردار پشتیبان برای تحلیل داده های طیف سنجی

مشهورترین تکنیک تحلیل داده های تابعی رویکرد مولفه های اصلی تابعی است که ابزاری مهم برای کاهش بعد نیز است. رگرسیون بردار پشتیبان شاخه ای از یادگیری ماشین و ابزار قدرتمندی برای تحلیل داده است. در این مقاله با استفاده از رگرسیون مولفه اصلی تابعی براساس تاوان های مشتق دوم، ریج و لاسو و با توجه به رگرسیون بردار پشتیبان با چهار هسته (خطی، چند جمله ای، سیگمویید و شعاعی) در داده های طیف سنجی به مدل سازی متغیر وابسته روی متغیرهای پیش بین پرداخته شده است. بر اساس نتایج بدست آمده طبق معیارهای نیکویی برازش پیشنهادی، مدل رگرسیون بردار پشتبان با هسته خطی و خطای بهینه شده ‎ ۰.۲‎مناسب ترین برازش را به داده ها داشته است.

کلیدواژه ها:

Functional data analysis‎ ، ‎ Functional regression‎ ، ‎Machine learning‎ ، ‎Principal component regression‎ ، ‎Support vector regression‎. ، تحلیل داده های تابعی ، رگرسیون بردار پشتیبان ، رگرسیون تابعی ، رگرسیون مولفه اصلی ، یادگیری ماشین