فایل ورد کامل بررسی عملکردی پیش بینی مدل با شاخص جدید آماری

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل بررسی عملکردی پیش بینی مدل با شاخص جدید آماری،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۵ صفحه

۶ جمع بندی
این مقاله دو شاخص جدید برای عملکرد پیش بینی ارائه میکند که ترکیب کننده ی ویژگی های معیار های مختلف ارزیابی آماری میباشد. تفاوت های نسبی بین ساختار این شاخص های جدید ( FPIm و FPIs) از نوع سیستم های استنتاج فازی هستند که برای ایجاد هر شاخص استفاده شده است ( به ترتیب Mamdani و Sugeno). به علاوه، برای افزایش سطح اطمینان در تخمین عملکرد پیش بینی هر مدل، وزن های نسبی ( با نام جریمه ها)، مبتنی بر کران های فاصله ی اطمینان به مدل ها برای ارزیابی پیش بینی اختصاص داده شد.
برای ارزیابی شاخص های عملکرد پیش بینی، شبیه سازی های عددی با استفاده از مدل های شبکه های عصبی ایجاد شد و از آن برای پیش بینی کیفیت هوا استفاده شد. نتایج نشان میدهد که ما نمیتوانیم در مورد وضعیت تخمین مدل ها با اطمینان حرف بزنیم، حتی زمانی که این مدل با عملکرد بالایی تخمین زده شده باشد. ازین رو استفاده از فاصله های اطمینان برای جریمه کردن معیار های عملکرد پیش بینی و ازین رو افزایش ضریب اطمینان در بررسی عملکرد پیش بینی ، ضروری است.

عنوان انگلیسی:New Statistical Indices for Evaluating Model Forecasting Performance~~en~~

۵ CONCLUSION

The paper introduces two new forecasting performance indices, which combine the characteristics of several statistical evaluation measures. The relative difference between the construction of the new indices (FPIm and FPIs) is the type of fuzzy inference system employed for the construction of each index (Mamdani and Sugeno, respectively). In addition, in order to increase our confidence in the estimation of the forecasting performance of each forecasting model, relative weights (referred to as penalties), based on the bounds of the confidence intervals were assigned on the forecasting performance of each model. In order to evaluate the new forecasting performance indices, numerical simulations have been performed by using artificial neural network models for air quality forecasting. Results show that we cannot be confident in any single measure’s estimation, even when a model is estimated of having a high forecasting performance. Thus, it is important to make use of a confidence interval in order to penalize the forecasting performance measures and thus increase our confidence in the estimation of the forecasting performance.

$$en!!