fa توابع چندربعی معکوس به عنوان اثرات غیرخطی در مدل های رگرسیون لوژستیکی آمار کاربردی Applied Statistics كاربردي و توسعه ای Applied <div style="text-align: justify;">یک روش آماری رایج برای دسته‌بندی، استفاده از مدل‌های رگرسیون لوژستیک است. این روش با درنظرگرفتن اثرات خطی از ویژگیهای افراد یا اشیا به مدل‌سازی احتمالات پسین عضویت در هر دسته می‌پردازد. در عمل این گمان وجود دارد که اثرات غیرخطی ویژگی‌ها می‌توانند نقش موثری در دسته‌بندی صحیح مشاهدات داشته باشند. اما مسئله‌ای که در پی ورود اثرات غیرخطی به مدل لوژستیک مطرح می‌شود، برآوردیابی پارامترها است. تحقیقات در سال‌های 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 شبکه‌های عصبی تکاملی و روشهای برآوردیابی ماکسیمم درستنمایی را پیشنهاد کرده‌اند. در این مقاله نوعی از توابع پایه شعاعی با نام توابع چندربعی معکوس به عنوان اثرات غیرخطی در مدل لوژستیک در نظر گرفته می‌شود و با روش ترکیبی، پارامترهای مدل برآورد می‌شوند. 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 می‌دهد که حضور توابع چندربعی معکوس نسبت به توابع گاوسی در مدل، میتواند باعث افزایش دقت دسته‌بندی شود</div> <div style="text-align: justify;">Logistic regression models in classification problems by assuming the linear effects of covariates is a modeling for class membership posterior probabilities. The main problem that includes nonlinear combinations of covariates is maximum likelihood estimation (MLE) of the model parameters. In recent investigations, an approach of solving this problem is combination of neural networks, evolutionary algorithms and MLE methods. In this paper, another type of radial basis functions, namely inverse multiquadratic functions and hybrid method, are considered for estimating the parameters of these models. The experimental results of comparing the proposed models show that the inverse multiquadratic functions compared to the Gaussian functions have better precision in classification problems.</div> دسته بندی, رگرسیون لوژستیک, توابع چندربعی معکوس, شبکه های عصبی تکاملی Classification, Logistic Regression, Inverse Multiquadratic Functions, Evolutionary Neural Networks 125 143 http://jss.irstat.ir/browse.php?a_code=A-10-545-1&slc_lang=fa&sid=1 Arezou Mojiri آرزو مجیری arezu.mojiri@math.iut.ac.ir 10031947532846006308 10031947532846006308 Yes Department of Mathematics, Isfahan University of Technology, Isfahan, Iran. دانشکده علوم ریاضی، دانشگاه صنعتی اصفهان Soroush Alimoradi سروش علیمرادی salimora@cc.iut.ac.ir 10031947532846006309 10031947532846006309 No Department of Mathematics, Isfahan University of Technology, Isfahan, Iran. دانشکده علوم ریاضی، دانشگاه صنعتی اصفهان Mohammadreza Ahmadzade محمدرضا احمدزاده ahmadzadeh@cc.iut.ac.ir 10031947532846006310 10031947532846006310 No Department of Electrical and Computer Sciences, Isfahan University of Technology, Isfahan, Iran. دانشکده برق و علوم کامپیوتر، دانشگاه صنعتی اصفهان