فرضیات بیزین مبتنی بر مدل پیش بینی توزیع احتمال برای نمونه های کوچک

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

فرضیات بیزین مبتنی بر مدل پیش بینی توزیع احتمال برای نمونه های کوچک

عنوان لاتین

A Bayesian assumption based forecasting probability distribution model for small samples

در این مقاله یک مدل پیش بینی توزیع احتمال نوین ارائه شده است. توزیع احتمال در تابع مقادیر احتمال نقش مهمی دارد. بنابراین، پیش بینی تابع احتمال فرآیندی چالش برانگیز است. برای رسیدن به این هدف، روشی که در این مقاله شرح داده شده است شرایط کنترلی مجموعه داده های ارائه شده را تا حدی تضعیف می کند. متعاقباً، روش های آماری را می توان روی داده های نمونه ی حاصل شده پیاده سازی کرد. آنگاه توابع توزیع با استفاده از روش درون یابی اسپلاین مکعبی به کار گرفته می شود. در این مقاله، نایو بیز و روش های شبکه بیزین به کار می روند تا مسائل نمونه های کوچک را برطرف کنند. به علاوه، بیشترین خوشه های تعمیم یافته به کار رفته اند تا تابع شرطی تعریف شود. دو مجموعه داده از بایگانی UCI و یک مجموعه داده سفارشی برای تأیید مدل پیش بینی ارائه شده استفاده شده اند. آزمایشات نشان می دهند که این روش پیشنهادی می تواند تابع توزیع دقیقی حاصل کند.

In this work, a novel forecasting probability distribution model is presented. Probability distribution plays a role in the function of probability values. Therefore, forecasting the probability distribution function is a challenging process. To that end, the method de- scribed in this work loosens the control conditions of the given data set. Subsequently, statistical methods can be applied to the resulting sample data. The distribution functions are then fitted using the cubic spline interpolation method. In this work, the naive Bayes and the Bayesian network methods are adjusted to handle the small sample problem. In addition, the maximal extension clusters are used to determine the conditional function. Two data sets from the UCI repository and a custom data set are used to validate the forecasting model. The experiments show the proposed method can generate an accurate distribution function.