کشف داده های پرت در رگرسیون خطی فازی با ورودی و خروجی معمولی

رگرسیون برای بررسی رابطه بین دو یا چند متغیر استفاده می شود، به طوری که یک متغیر از روی دیگری یا بقیه می تواند پیش بینی شود. در مواردی که متغیرهای مورد بررسی یا رابطه بین متغیرها نادقیق و مبهم باشد از رگرسیون فازی استفاده می شود. وجود داده های پرت در میان مشاهدات منجر به نتایج نادقیق در مدل سازی می شود. کشف چنین داده هایی جهت حذف یا کاهش اثر آن ها، اثر معنی داری بر اصلاح مدل دارد. در این پایان نامه هر دو رویکرد حذف یا کاهش اثر داد ه های پرت هنگامی که هر دو متغیر ورودی و خروجی غیرفازی و پارامترهای فازی هستند، مورد بحث قرار گرفته است. ایده اصلی بر اساس متغیرهای زبانی و مفاهیم نظریه امکان همانند رگرسیون معمولی برای بحث در مورد داده های پرت در نظر گرفته شده است. کلمات کلیدی: رگرسیون، رگرسیون خطی فازی، داده پرت، ضریب تعیین و میانگین قدر مطلق انحرافات. عناوین بکار رفته در پایان نامه: مفاهیم و تعاریف مقدماتی شامل رگرسیون، داده های پرت در رگرسیون (باقیمانده های press ، r استیودنت شده، تشخیص های اثرگذار، معیاری اثرگذار) ، مجموعه های فازی(انگیزه تعریف مجموعه های فازی، مروری کوتاه بر مجموعه های کلاسیک، مجموعه های فازی، عملیات پایه روی مجموعه های فازی، اصل توسیع و اصل توسیع تعمیم یافته، کمیت های فازی، اعداد فازی) رگرسیون خطی فازی شامل تاریخچه، روش های کمترین مربعات فازی(مدل سلمینس، مدل عربپور و تاتا) ، روش های برنامه ریزی ریاضی(مدل تاناکا و واتادا، مدل حسن پور و همکاران) و روش های عددی تشخیص داده های پرت در رگرسیون فازی شامل مقدمه ، مدل تاناکا ، مدل پیتر کشف داده های پرت فازی در رگرسیون با ورودی و خروجی معمولی شامل مقدمه بررسی روش شکوری و نادمی و در پایان مثال های عددی و مطالعه موردی بیان شده است.