دانلود مقاله انگلیسی رایگان:کاوش داده های بزرگ با استفاده از عامل پارسیمون، یادگیری ماشین، انتخاب متغیر و روش های انقباض - 2018

دانلود بهترین مقالات isi همراه با ترجمه فارسی

کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • Mining big data using parsimonious factor, machine learning, variable selection and shrinkage methods Mining big data using parsimonious factor, machine learning, variable selection and shrinkage methods
    Mining big data using parsimonious factor, machine learning, variable selection and shrinkage methods

    سال انتشار:

    2018


    عنوان انگلیسی مقاله:

    Mining big data using parsimonious factor, machine learning, variable selection and shrinkage methods


    ترجمه فارسی عنوان مقاله:

    کاوش داده های بزرگ با استفاده از عامل پارسیمون، یادگیری ماشین، انتخاب متغیر و روش های انقباض


    منبع:

    Sciencedirect - Elsevier - International Journal of Forecasting 34 (2018) 339–354


    نویسنده:

    Hyun Hak Kim a, Norman R. Swanson b,∗


    چکیده انگلیسی:

    A number of recent studies in the economics literature have focused on the usefulness of factor models in the context of prediction using ‘‘big data’’ (see Bai and Ng, 2008; Dufour and Stevanovic, 2010; Forni, Hallin, Lippi, & Reichlin, 2000; Forni et al., 2005; Kim and Swanson, 2014a; Stock and Watson, 2002b, 2006, 2012, and the references cited therein). We add to this literature by analyzing whether ‘‘big data’’ are useful for modelling low frequency macroeconomic variables, such as unemployment, inflation and GDP. In particular, we analyze the predictive benefits associated with the use of principal component analysis (PCA), independent component analysis (ICA), and sparse principal component analysis (SPCA). We also evaluate machine learning, variable selection and shrinkage methods, including bagging, boosting, ridge regression, least angle regression, the elastic net, and the non-negative garotte. Our approach is to carry out a forecasting ‘‘horse-race’’ using prediction models that are constructed based on a variety of model specification approaches, factor estimation methods, and data windowing methods, in the context of predicting 11 macroeconomic variables that are relevant to monetary policy assessment. In many instances, we find that various of our benchmark models, including autoregressive (AR) models, AR models with exogenous variables, and (Bayesian) model averaging, do not dominate specifications based on factor-type dimension reduction combined with various machine learning, variable selection, and shrinkage methods (called ‘‘combination’’ models). We find that forecast combination methods are mean square forecast error (MSFE) ‘‘best’’ for only three variables out of 11 for a forecast horizon of h = 1, and for four variables when h = 3 or 12. In addition, non-PCA type factor estimation methods yield MSFE-best predictions for nine variables out of 11 for h = 1, although PCA dominates at longer horizons. Interestingly, we also find evidence of the usefulness of combination models for approximately half of our variables when h > 1. Most importantly, we present strong new evidence of the usefulness of factor-based dimension reduction when utilizing ‘‘big data’’ for macroeconometric forecasting.
    Keywords: Prediction ، Independent component analysis ، Sparse principal component analysis ، Bagging ، Boosting ، Bayesian model averaging ، Ridge regression ، Least angle regression ، Elastic net and non-negative garotte


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 16
    حجم فایل: 434 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




آرشیو کامل مقالات

اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

این مقاله را در فیس بوک به اشتراک بگذارید این مقاله را در توییتر به اشتراک بگذارید این مقاله را در لینکداین به اشتراک بگذارید این مقاله را در گوگل پلاس به اشتراک بگذارید این مقاله را در زینگ به اشتراک بگذارید این مقاله را در تلگرام به اشتراک بگذارید

تعداد نظرات : 0

الزامی
الزامی
الزامی
داده-های-بزرگ
موضوعات
footer