• icon+90(533) 652 66 86
  • iconnwsa.akademi@hotmail.com
  • icon Fırat Akademi Samsun-Türkiye

Article Details

  • Article Code : NWSA-4554-2350
  • Article Type : Araştırma Makalesi
  • Publication Number : 3A0033
  • Page Number : 36-47
  • Doi : 10.12739/
  • Abstract Reading : 1292
  • Download : 122
  • Share :

  • PDF Download

Issue Details

  • Year : 2011
  • Volume : 6
  • Issue : 2
  • Number of Articles Published : 4
  • Published Date : 1.04.2011

Cover Download Context Page Download
Physical Sciences

Serial Number : 3A
ISSN No. : 1308-7304
Release Interval (in a Year) : 4 Issues

BOYUT İNDİRGEME TEKNİKLERİ: PCR, PLSR, RRR VE BİR SAĞLIK UYGULAMASI

Elif Bulut 1 , Özlem GÜRÜNLÜ ALMA 2

Çok fazla değişkene sahip veya değişken sayısından daha az gözlem sayısına sahip veri seti ile çalışmak istatistiksel analizde bazı zorluklara yol açmaktadır. Böyle bir durumda boyut indirgemesi analizin önemli bir parçasıdır. Boyut indirgemesi, veri setinde var olan özelliklere sahip daha küçük bir veri seti ile çalışmayı mümkün kılmaktadır. Boyut indirgeme teknikleri m boyutlu veri setini, m değişkenlerdeki değişimin büyük bir kısmını açıklayacak ve bu değişkenlerin doğrusal birleşimi olacak şekilde a boyutlu veri setine indirgemektedir. Bu çalışmada, bu tekniklerden Temel bileşenler regresyonu, Kısmi en küçük kareler regresyonu ve İndirgenmiş rank regresyonu yöntemleri anlatılarak, sağlık verisi üzerinde uygulaması gösterilmiştir.

Keywords
Boyut İndirgeme , Temel Bileşenler Regresyonu, Kısmi En Küçük Kareler Regresyonu, Polikistik Over Sendromu, Indirgenmiş Rank Regresyonu,

DIMENSIONALITY REDUCTION METHODS: PCR, PLSR, RRR AND A HEALTH APPLICATION

Elif Bulut 1 , Özlem GÜRÜNLÜ ALMA 1

Working with data set that has many variables or has fewer observation units than variables leads to difficulties in statistical analysis. In this situation dimension reduction is a necessary part of the data analysis. It is necessary because, it provides working with a subset of the existing features or to transform to a new reduced set of features and working with low dimensional data and simplify the data model by working with parsimonious model. There are some dimensionality reduction methods and all of them lean to use a linear combinations of m variables by reducing m dimensional data set to a dimensional data set (a

Keywords
Dimension Reduction , Principal Component Regression, Partial Least Squares Regression, Polycystic Ovary Syndrome, Reduced Rank Regression,

Details
   

Authors

Elif Bulut (1) (Corresponding Author)

bulut_elif@yahoo.com

Özlem GÜRÜNLÜ ALMA (2)

Muğla Üniversitesi
ozlem.gurunlu@hotmail.com

Supporting Institution

:

Project Number

:

Thanks

:
References