مدل سازی رگرسیون لجستیک با استفاده از شبکه های عصبی تابع پایه شعاعی تکاملی

دسته بندی یکی از موضوعاتی است که در زمینه های گوناگون دارای کاربرد های عملی فراوانی است . دسته بندی اشیا یا افراد می تواند به کمک مشاهده ی ویژگی ها و یا خصوصیات آن ها انجام پذیرد . یک روش آماری رایج در امر دسته بندی ، استفاده از مدل رگرسیون لجستیک است . مدل رگرسیون لجستیک با در نظر گرفتن یک ترکیب خطی از متغیر های توضیحی (یا همان ویژگی ها) ، احتمالات پسین عضویت در هر دسته را مدل سازی می نماید‎ .‎ %در عمل و در بسیاری از موارد این امکان وجود دارد که ترکیب های غیر خطی از متغیر های توضیحی نیز بر احتمالات پسین عضویت در دسته ها موثر باشند‎ .‎ در این پایان نامه ، با در نظر گرفتن نوعی تبدیل های غیر خطی از متغیر های توضیحی به نام توابع پایه شعاعی در مدل لجستیک ، به مسأله ی برآوردیابی پارامتر ها به روش حداکثر درستنمایی ، در مدل حاصل توجه می شود . روش برآوردیابی مورد استفاده در این پایان نامه ، یک روش ترکیبی به شمار می رود . این روش با به کار بردن ترکیبی از ابزار هایی همچون شبکه های عصبی مصنوعی ، الگوریتم های تکاملی و روش های برآورد یابی حداکثر درستنمایی به مسأله ی برآوردیابی در مدل لجستیک حاصل ، پاسخ می دهد . پس از برآورد همه ی پارامتر ها ، مدل لجستیک حاصل به کمک چند مجموعه داده با مدل ها و روش های دسته بندی دیگر مورد مقایسه قرار می گیرد . نتایج آزمایش ها ، نشان دهنده ی برتری این روش نسبت به روش های دیگر است .