Моделі і методи регресійного аналізу в умовах нечітких вихідних даних

Автор(и)

  • Lev Raskin Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002, Україна https://orcid.org/0000-0002-9015-4016
  • Oksana Sira Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002, Україна https://orcid.org/0000-0002-4869-2371
  • Yuriy Ivanchykhin Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002, Україна https://orcid.org/0000-0002-3999-6541

DOI:

https://doi.org/10.15587/1729-4061.2017.107536

Ключові слова:

нечіткий регресійний аналіз, нечіткі вихідні дані, нечітка компараторного ідентифікація

Анотація

Розглянуто задачу регресійного аналізу з нечітко заданими змінними. Сформульовано та обгрунтовано критерій якості оцінки регресійних коефіцієнтів, що враховує суттєві відмінності в точності завдання змінних. Запропоновано метод розв'язання задачі. Розглянуто і вирішено задачу нечіткої компараторної ідентифікації, коли значення змінної, яка пояснюється, не визначено, але можуть бути ранжовані за зменшенням будь-якого обраного показника

Біографії авторів

Lev Raskin, Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002

Доктор технічних наук, професор, завідуючий кафедри

Кафедра розподілених інформаційних систем і хмарних технологій

Oksana Sira, Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002

Доктор технічних наук, професор

Кафедра розподілених інформаційних систем і хмарних технологій

Yuriy Ivanchykhin, Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002

Кандидат технічних наук, доцент

Кафедра розподілених інформаційних систем і хмарних технологій

Посилання

  1. Linear Regression Analysis with Fuzzy Model (1982). IEEE Transactions on Systems, Man, and Cybernetics, 12 (6), 903–907. doi: 10.1109/tsmc.1982.4308925
  2. Yang, M.-S., Liu, H.-H. (2003). Fuzzy least-squares algorithms for interactive fuzzy linear regression models. Fuzzy Sets and Systems, 135 (2), 305–316. doi: 10.1016/s0165-0114(02)00123-9
  3. Chen, F., Chen, Y., Zhou, J., Liu, Y. (2016). Optimizing h value for fuzzy linear regression with asymmetric triangular fuzzy coefficients. Engineering Applications of Artificial Intelligence, 47, 16–24. doi: 10.1016/j.engappai.2015.02.011
  4. Ishibuchi, H., Nii, M. (2001). Fuzzy regression using asymmetric fuzzy coefficients and fuzzified neural networks. Fuzzy Sets and Systems, 119 (2), 273–290. doi: 10.1016/s0165-0114(98)00370-4
  5. Chang, Y.-H. O., Ayyub, B. M. (2001). Fuzzy regression methods – a comparative assessment. Fuzzy Sets and Systems, 119 (2), 187–203. doi: 10.1016/s0165-0114(99)00091-3
  6. Yen, K. K., Ghoshray, S., Roig, G. (1999). A linear regression model using triangular fuzzy number coefficients. Fuzzy Sets and Systems, 106 (2), 167–177. doi: 10.1016/s0165-0114(97)00269-8
  7. Charfeddine, S., Mora-Camino, F. A. C., De Coligny, M. (2004). Fuzzy linear regression: application to the estimation of air transport demand. FSSCEF 2004, International Conference on Fuzzy Sets and Soft Computing in Economics and Finance, 350–359. Available at: https://hal-enac.archives-ouvertes.fr/hal-01022443
  8. Zaychenko, Yu. P. (2007). Nechetkiy metod gruppovogo ucheta argumentov pri neopredelennyh iskhodnyh dannyh. Systemni doslidzhennia ta informatsiini tekhnolohii, 3, 100–112.
  9. Zgurovskiy, M., Zaychenko, Yu. (2013). Modeli i metody prinyatiya resheniy v nechetkih usloviyah. Kyiv: Naukova dumka, 275.
  10. Celmins, A. (1987). Least squares model fitting to fuzzy vector data. Fuzzy Sets and Systems, 22 (3), 245–269. doi: 10.1016/0165-0114(87)90070-4
  11. Muzzioli, S., Ruggieri, A., De Baets, B. (2015). A comparison of fuzzy regression methods for the estimation of the implied volatility smile function. Fuzzy Sets and Systems, 266, 131–143. doi: 10.1016/j.fss.2014.11.015
  12. Diamond, P. (1988). Fuzzy least squares. Information Sciences, 46 (3), 141–157. doi: 10.1016/0020-0255(88)90047-3
  13. Chang, Y.-H. O. (2001). Hybrid fuzzy least-squares regression analysis and its reliability measures. Fuzzy Sets and Systems, 119 (2), 225–246. doi: 10.1016/s0165-0114(99)00092-5
  14. Yang, M.-S., Lin, T.-S. (2002). Fuzzy least-squares linear regression analysis for fuzzy input–output data. Fuzzy Sets and Systems, 126 (3), 389–399. doi: 10.1016/s0165-0114(01)00066-5
  15. Kao, C., Chyu, C.-L. (2002). A fuzzy linear regression model with better explanatory power. Fuzzy Sets and Systems, 126 (3), 401–409. doi: 10.1016/s0165-0114(01)00069-0
  16. Shtovba, S. D. (2016). Nechetkaya identifikaciya na osnove regressionnyh modeley parametricheskoy funkcii prinadlezhnosti. Problemy upravleniya i informatiki, 6, 1–8.
  17. Chachi, J., Taheri, S. M. (2016). Multiple fuzzy regression model for fuzzy input-output data. Iranian Journal of Fuzzy Systems, 13 (4), 63–78.
  18. Zak, Yu. (2017). Fuzzy-regressionnye modeli v usloviyah nalichiya v statisticheskiy vyborke nechislovoy informacii. System Research & Information Technologies, 1, 88–96.
  19. Jung, H.-Y., Yoon, J. H., Choi, S. H. (2015). Fuzzy linear regression using rank transform method. Fuzzy Sets and Systems, 274, 97–108. doi: 10.1016/j.fss.2014.11.004
  20. Pushpa, B., Vasuki, R. (2013). A Least Absolute Approach to Multiple Fuzzy Regression Using Tw- Norm Based Operations. International Journal of Fuzzy Logic Systems, 3 (2), 73–84. doi: 10.5121/ijfls.2013.3206
  21. Namdari, M., Yoon, J. H., Abadi, A., Taheri, S. M., Choi, S. H. (2014). Fuzzy logistic regression with least absolute deviations estimators. Soft Computing, 19 (4), 909–917. doi: 10.1007/s00500-014-1418-2
  22. Ubale, A. B., Sananse, S. L. (2015). Fuzzy Regression Model and Its Application: A Review. International Journal of Innovative Research in Science, Engineering and Technology, 4 (11), 10853–10860.
  23. Kryuchkovskiy, V. V., Petrov, Eh. G., Sokolova, N. A., Hodakov, V. E. (2013). Vedenie v normativnuyu teoriyu prinyatiya resheniy. Herson: Grin' D. S., 284.
  24. Zuhovickiy, S. I., Avdeeva, L. I. (1967). Lineynoe i vypukloe programmirovanie. Moscow: Nauka, 460.
  25. Sira, O. V., Al-Shqeerat, K. H. (2009). A New Approach for Resolving Equations with Fuzzy Parameters. European Journal of Scientific Research, 38 (4), 619–625.
  26. Seraya, O. V., Demin, D. A. (2012). Linear Regression Analysis of a Small Sample of Fuzzy Input Data. Journal of Automation and Information Sciences, 44 (7), 34–48. doi: 10.1615/jautomatinfscien.v44.i7.40
  27. Raskin, L. G., Seraya, O. V. (2008). Nechetkaya matematika. Kharkiv: Parus, 352.
  28. Raskin, L., Sira, O. (2016). Method of solving fuzzy problems of mathematical programming. Eastern-European Journal of Enterprise Technologies, 5 (4 (83)), 23–28. doi: 10.15587/1729-4061.2016.81292
  29. Pawlak, Z. (1982). Rough sets. International Journal of Computer & Information Sciences, 11 (5), 341–356. doi: 10.1007/bf01001956
  30. Raskin, L., Sira, O. (2016). Fuzzy models of rough mathematics. Eastern-European Journal of Enterprise Technologies, 6 (4 (84)), 53–60. doi: 10.15587/1729-4061.2016.86739
  31. Raskin, L. G., Kirichenko, I. O., Seraya, O. V. (2013). Prikladnoe kontinual'noe lineynoe programmirovanie. Kharkiv, 293.

##submission.downloads##

Опубліковано

2017-08-30

Як цитувати

Raskin, L., Sira, O., & Ivanchykhin, Y. (2017). Моделі і методи регресійного аналізу в умовах нечітких вихідних даних. Eastern-European Journal of Enterprise Technologies, 4(4 (88), 12–19. https://doi.org/10.15587/1729-4061.2017.107536

Номер

Том 4 № 4 (88) (2017): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2017 Lev Raskin, Oksana Sira, Yuriy Ivanchykhin

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.