en شناسایی نقاط دورافتاده با استفاده از تقویت درخت‌های رگرسیونی عمومى General پژوهشي Research <p dir="RTL">در این مقاله روشی برای شناسایی نقاط دورافتاده در مسائل رگرسیونی پیشنهاد شده است. این روش بر اساس اطلاعاتی است که با تقویت درخت‌های رگرسیونی به دست می‌آید. ایده‌ی اصلی این است که مشاهده‌ای را که بیش از همه در بازنمونه‌گیری‌های روش تقویت <span dir="LTR">(boosting)</span> ظاهر می‌شود، انتخاب و حذف کنیم و سپس این کار را تکرار کنیم. معیار این انتخاب، بر اساس نابرابری چبیشوف است که در مورد ماکسیمم تعداد تکرارهای تقویت در متوسط تعداد ظهور در نمونه‌های خودگردان‌ساز <span dir="LTR">(bootstrap)</span> به کار گرفته می‌شود. از این رو، این روش، بستگی به توزیع نوفه ندارد. این روش، امکان انتخاب نقاط دورافتاده را که پیش‌بینی مشاهدات آن‌ها بسیار سخت است، فراهم می‌سازد. برای نشان دادن ارزش این روش، مجموعه‌داده‌های مشهور زیادی در نظر گرفته شده‌اند و مقایسه‌ای بین روش پیشنهادی و دو روش رایج صورت گرفته است.</p> <p dir="RTL"></p> <p align="center" dir="LTR"></p> <p align="center" dir="LTR"></p> <p style="text-align: justify;"><span style="line-height: 1.6em;">A procedure for detecting outliers in regression problems is proposed. It is based on information provided by boosting regression trees. The key idea is to select the most frequently resampled observation along the boosting iterations and reiterate after removing it. The selection criterion is based on Tchebychev&rsquo;s inequality applied to the maximum over the boosting iterations of the average number of appearances in bootstrap samples. So the procedure is noise distribution free. It allows to select outliers as particularly hard to predict observations. A lot of well-known bench data sets are considered and a comparative study against two well-known competitors allows to show the value of the method.</span></p> <p style="text-align: justify;"></p> <p style="text-align: justify;"></p> <p dir="LTR"></p> <div> <p dir="LTR"></p> </div> <p dir="RTL"></p> تقویت, CART, نقاط دورافتاده, رگرسیون. Boosting, CART, outlier, regression. 1 22 http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-133&slc_lang=en&sid=1 Nathalie Chèze ناتالی شِز 1003194753284600512 1003194753284600512 No Jean-Michel Poggi ژان میشل پوژی Jean-Michel.Poggi@math.u-psud.fr 1003194753284600513 1003194753284600513 Yes