AI Summary & Key Takeaways
AI InsightIn conclusion, classical linear regression and fuzzy linear regression were applied a data set, and these two approaches performances were compared by using different measures.
📌 3 Key Takeaways
Abstract
In classical regression analysis a difference is occurred between the observed dependent variable and estimates of the generated models. This difference is generally caused by the assumption of that the observed dependent variable has to be normally distributed with a constant variance and zero (0) average. In fuzzy regression analysis this difference is considered to be the blurring of the model structure. for the data which is appropriate for the fuzzy regression analysis instead of classical regression analysis due to certain restrictions, if the data does not include fuzzy variables, using probabilistic models may become mandatory. However, because of certain restrictions there are cases using of probabilistic model is not appropriate. We generate a fuzzy linear regression equation with Fuzzy Least Square Regression (FLSR) model. Here nonfuzzy variables are fuzzified with a new method SMRGT to use models have fuzzy variables. In conclusion, classical linear regression and fuzzy linear regression were applied a data set, and these two approaches performances were compared by using different measures.
Özet
Klasik regresyon analizinde oluşturulan modellerin tahminleri ile gözlenen bağımlı değişken arasında genellikle gözlem hatasından kaynaklanan sabit varyanslı ve 0 (sıfır) ortalamalı normal dağılıma sahip olduğu varsayılan bir fark oluşur. Bulanık regresyon analizinde bu fark model yapısının bulanıklığı olarak düşünülmektedir. Belirli kısıtlamalar nedeniyle klasik doğrusal regresyon uygulanması yerine bulanık doğrusal regresyon uygulanması daha uygun olan veriler için, veri bulanık değişkenler içermiyorsa olasılıksal modelin kullanılması zorunlu hale gelebilmektedir. Oysaki olasılıksal modelin de belli kısıtlamalar nedeniyle kullanılmasının uygun olmadığı durumlar vardır. Burada değişkenleri bulanık olan modellerin kullanılması için, bulanık olmayan değişkenler, yeni bir yöntem olan SMRGT ile bulanıklaştırılmış, elde edilen değişkenler için bulanık En Küçük Kareler (EKK) modeli ile bulanık doğrusal regresyon denklemi oluşturulmuştur. Sonuç olarak klasik doğrusal regresyon ve bulanık doğrusal regresyon bir veri setine uygulanmış ve bu iki yaklaşımın performansları çeşitli ölçüm kriterleri kullanılarak karşılaştırılmıştır.