رگرسيون مؤلفۀ اصلي تابعي در مقابل رگرسيون بردار پشتيبان براي تحليل داده‌‌هاي طيف سنجي

مشهورترين تكنيك تحليل داده‌هاي تابعي رويكرد مؤلفۀ‌هاي اصلي تابعي است كه ابزاري مهم براي كاهش بعد نيز است. رگرسيون بردار پشتيبان شاخه‌اي از يادگيري ماشين و ابزار قدرتمندي براي تحليل داده است. در اين مقاله با استفاده از رگرسيون مؤلفۀ اصلي تابعي براساس تاوان‌هاي مشتق دوم، ريج و لاسو و با توجه به رگرسيون بردار پشتيبان با چهار هستۀ (خطي، چند جمله‌اي، سيگموييد و شعاعي) در داده‌هاي طيف سنجي به مدل‌سازي متغير وابسته روي متغيرهاي پيش‌بين پرداخته شده است. بر اساس نتايج بدست آمده طبق معيارهاي نيكويي برازش پيشنهادي، مدل رگرسيون بردار پشتبان با هستۀ خطي و خطاي بهينه شده ‎ 0.2‎مناسب‌ترين برازش را به داده‌ها داشته است.