نمونه گیری تصادفی ساده

سوم ، حساسیت کلی یک درخت سریع و مقرون به صرفه - یعنی اینکه درخت چقدر می تواند سیگنال را از یک نویز تشخیص دهد و می تواند توسط d 'یا A' از تئوری تشخیص سیگنال اندازه گیری شود - که تحت تأثیر خواص نشانه‌هایی است که درخت را تشکیل می دهند ، مانند میانگین و واریانس حساسیت‌های نشانه‌ها و همبستگی ها بین نشانه ها ، اما ساختار خروجی درخت آن چنان تاثیری ندارد. و سرانجام، درخت‌های سریع و مقرون به صرفه، دقت و قدرت بیشتری خواهند داشت، که با الگوریتم های تصمیم گیری بسیار پیچیده تری که در تئوری تشخیص سیگنال تهیه شده است، از جمله مدل تجزیه و تحلیل ناظر ایده‌آل (Ideal observer analysis) و مدل نمونه گیری بهینه متوالی(optimal sequential sampling)، قابل مقایسه‌اند. در چارچوب پیش بینی های خارج از نمونه، زمانی که اندازه نمونه یادگیری نسبتاً کوچک است (به عنوان مثال ، کمتر از 80 آزمایش)، درختان سریع و مقرون به صرفه بهترین عملکرد را نسبت به سایر مدل ها دارند .

می‌توان تبرید تدریجی و آرام در این الگوریتم را به عنوان کاهش تدریجی احتمال انتخاب پاسخ‌های بدتر حین جستجو در فضای پاسخ‌ها دانست (انتخاب پاسخ‌های بدتر یک ویژگی اساسی الگوریتم‌های فراابتگاری است و پیدا کردن بهترین پاسخ را ممکن می‌سازد). شبیه سازی را می‌توان به دو صورت حل روابط کینتیکی برای توابع چگالی (مانند کار خاچاتوریان، سمونوفسکایا و وینشتاین در سال ۱۹۷۹ و ۱۹۸۱) یا استفاده از نمونه‌گیری تصادفی، انجام داد. نمونه گیری تصادفی در سال ۱۹۸۳ توسط کریک‌پاتریک، گلت و کلی معرفی شد،‌ کرنی در سال ۱۹۸۵ و خاچاتوریان، سمونوفسکایا و وینشتاین در سال ۱۹۸۵ به‌طور مستقل این ایده را مطرح کردند. این روش یک اقتباس از الگوریتم متروپولیس-هستینگز است، یک روش مونت کارلو که نمونه حالت‌هایی را از یک سیستم ترمودینامیک تولید می‌کند.

۵ـ روشهای نمونه گیری، با همکاری دکتر حسینیون، انتشارات آستان قدس، مشهد، ۱۳۶۸.