Thesis (Ph.D)-Cairo University, 2025.

Bibliography: pages 92-97.

High-dimensional statistics involve inference in situations where the number of
parameters (p) greatly exceeds the sample size (n), particularly in supervised regression
settings. This thesis proposes four novel techniques: Elastic Net Random Forests (ENRF),
LASSO Random Forests (LRF), Adaptive Elastic Net Random Forests (AENRF), and
Adaptive LASSO Random Forests (ALRF). These methods are evaluated against the
modern ensemble method Random Forests (RF) using Monte Carlo simulations and real-
world datasets. Model performance is assessed using mean squared error (MSE) and root
mean squared error (RMSE), demonstrating the robustness and improved predictive
accuracy of the proposed methods in high-dimensional contexts.

في مجال تحليل البيانات والإحصاء، يُعد استخدام نماذج الانحدار عالية الأبعاد موضوعًا مهمًا وتحديًا معقدًا. وتتميّز هذه النماذج بوجود عدد كبير من المتغيرات المستقلة، بحيث يفوق عددها حجم العينة(p>n) .في حالات الانحدار التقليدي، تُستخدم طرق شائعة مثل طريقة المربعات الصغرى (OLS) لتقدير المعاملات. إلا أن هذه الطرق تفقد فعاليتها ودقتها عند وجود تفاوت كبير في الأبعاد. وفي هذا السياق، يسعى الباحثون إلى تطوير أساليب جديدة للتعامل مع نماذج الانحدار عالية الأبعاد، بما يتجاوز تحديات الحجم الكبير للأبعاد ويسهم في تحسين دقة التقدير وكفاءة النماذج.
من بين هذه الأساليب المبتكرة تبرز فكرة دمج نماذج الانحدار الجزائيمع الغابات العشوائية. وتُعد واحدة من الطرق الواعدة في هذا السياق هي دمج نماذج LASSO، وElastic Net (EN)، وAdaptive LASSO (AL)، وAdaptive Elastic Net (AEN) مع الغابات العشوائية. تقوم هذه الطريقة على تحقيق التوازن بين دقة التنبؤ وقدرة النموذج على التعامل مع الأبعاد العالية والتباين الكبير في البيانات، إلى جانب الاستفادة من التحسينات التي يوفرها الذكاء الاصطناعي، مما يُسهم في تقليل عدد المتغيرات وتحسين أداء النموذج في البيئات ذات الأبعاد الكبيرة.

Issues also as CD.

Text in English and abstract in Arabic & English.