الگوریتم پس‌تناسب

در آمار الگوریتم پس تناسب یک الگوریتم برای یادگیری پارامترهای مدل خطی تعمیم یافته است.

الگوریتم

مدل خطی مقابل را در نظر بگیرید:

Y_{i}=\alpha +\sum _{j=1}^{p}f_{j}(X_{ij})+\epsilon _{i}

حال الگوریتم پس تناسب عبارت است از :

   Initialize  ${\hat {\alpha }}=1/N\sum _{i=1}^{N}y_{i},{\hat {f_{j}}}\equiv 0$ , $\forall i,j$ 
   Do until  ${\hat {f_{j}}}$  converge:
       For each predictor j:
           (a)  ${\hat {f_{j}}}\leftarrow {\text{Smooth}}[\lbrace y_{i}-{\hat {\alpha }}-\sum _{k\neq j}{\hat {f_{k}}}(x_{ik})\rbrace _{1}^{N}]$  (backfitting step)
           (b)  ${\hat {f_{j}}}\leftarrow {\hat {f_{j}}}-1/N\sum _{i=1}^{N}{\hat {f_{j}}}(x_{ij})$  (mean centering of estimated function)

منابع

Breiman, L. & Friedman, J. H. (۱۹۸۵). «Estimating optimal transformations for multiple regression and correlations (with discussion)». Journal of the American Statistical Association. ۸۰ (۳۹۱): ۵۸۰–۶۱۹. doi:10.2307/2288473. جی‌استور ۲۲۸۸۴۷۳.

الگوریتم پس‌تناسب

الگوریتم

منابع

لینک های خارجی