000			04360namaa22004331i 4500
003			EG-GICUC
005			20260119133321.0
008			260104s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a519.536
092			_a519.536 _221
097			_aPh.D
099			_aCai01.18.04.Ph.D.2025.Mo.N
100	0		_aMohamed Cherif Ali Yassin, _epreparation.
245	1	0	_aNew estimation method in high dimensional regression models / _cby Mohamed Cherif Ali Yassin ; Supervised Prof. Ahmed Amin El-Sheikh, Prof. Mohamed Reda Abonazel.
246	1	5	_aطريقة تقدير جديدة فى نماذج الانحدار عالى الابعاد
264		0	_c2025.
300			_a120 Leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2025.
504			_aBibliography: pages 92-97.
520		3	_aHigh-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.
520		3	_aفي 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aRegression analysis
650		0	_aتحليل الانحدار
653		1	_aHigh-Dimensional _aLASSO _aElastic Net _aAdaptive LASSO _aAdaptive Elastic Net _aRandom Forests
700	0		_aAhmed Amin El-Sheikh _ethesis advisor.
700	0		_aMohamed Reda Abonazel _ethesis advisor.
900			_b01-01-2025 _cAhmed Amin El-Sheikh _cMohamed Reda Abonazel _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Applied Statistics and Econometrics
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c177395