رگرسيون فازي مولفه اصلي براساس تابع زيان هوبر

Principal component fuzzy regression based on the Huber loss function

مدل هاي رگرسيون مولفه اصلي براي غلبه بر مسئله وجود همبستگي بين متغيرهاي توضيحي (مسئله چندخطي) به كار مي روند. در اين نوع از مدل هاي رگرسيوني، مولفه هاي اصلي متغيرهاي توضيحي (داراي خاصيت ناهمبستگي) جايگزين متغيرهاي توضيحي در مدل مي شوند. اين رويكرد همچنين باعث كاهش بعد و سادگي در محاسبات مي شود. در اين مقاله، يكمدل رگرسيون فازي مولفه اصلي با ضرايب فازي و متغيرهاي توضيحي دقيق معرفي شده است. براي برآورد ضرايب فازي مدل، يك تابع هدف براساس تابع زيان هوبر نامتقارن معرفي شده است. خصوصيت استفاده از تابع زيان هوبر اين است كه با وجود داده هاي پرت در بين مجموعه داده ها، از استواري مناسبي برخوردار است. در پايان، عملكرد مدل هاي معرفي شده با يك مثال تشريح شده است.

In this paper, an approach is presented to fit a linear fuzzy regression based on principal components, recalled the principal component fuzzy regression (PCFR). In this approach, we consider the response variable and the parameters of a regression model as fuzzy quantities. For estimating the parameters of a fuzzy model, the aim function is proposed based on the Huber loss function. This method is presented by some robust fuzzy regression models in the presence of outlier data.