Поиск

Метод группового учёта аргументов (часть 2)
13.03.2013

Обучающая выборка используется для получения оценок коэффициентов полинома, а проверочная подвыборка используется для выбора структуры оптимальной модели, для которой внешний критерий принимает наименьшие значения.
Полный перебор проводится на группах моделей одинаковой сложности. На первом ряду перебору подлежат все модели простейшей структуры вида:

Метод группового учёта аргументов (часть 2)

и выбирается некоторое количество К лучших по критерию моделей.
На втором ряду перебираются модели более сложной структуры, построенные для выходных переменных лучших моделей первого ряда:
Метод группового учёта аргументов (часть 2)

На следующем этапе перебору подлежат еще более сложные структуры и так далее. Наращивание рядов продолжается до тех пор, пока снижается значение минимума критерия.
Для получения ПТФ применяют программные пакеты (например, ModelQuest), которые используют линейные комбинации входных переменных и квадратические или кубические многочлены двух-трех независимых переменных. Весь набор данных делится на обучающую и проверочную подвыборки в пропорции, определенной пользователем (рекомендуют отношение 3:1). Как исходные входные переменные, так и переменная вывода подвергаются стандартизации, чтобы иметь нулевое среднее значение и единичную дисперсию, а затем стандартизированные переменные участвуют в формировании сети. Для отсеивания новых переменных и остановки повторений используются заданные пользователем критерии.
После нескольких итерационных шагов МГУА производит иерархическую сеть параболических регрессий, которая: 1) с хорошей точностью описывает зависимость между исходными входными и выходными параметрами; 2) включает только исходные входные переменные, связанные с выходом; 3) имеет относительно небольшое количество коэффициентов по сравнению с параболическими регрессиями, включающими все входные переменные.
На рисунке XI.4 показаны пример приложения пакета ModelQuest по разработке ПТФ на основе базы данных USDA-NRCS для оценки водоудерживающей способности почв Штата Оклахома (США) при давлении почвенной влаги -33 кПа и -1500 кПа. При создании модели авторы использовали один итерационный шаг для θ33 и два итерационных шага для θ1500- В качестве лучших предсказателей водоудерживающей способности при матричном потенциале -33 кПа алгоритм МГУА выбрал содержание глины, плотность почвы, и отношение х (ЕКО/содержание глины). Для оценки θ1500, алгоритм создал вспомогательную переменную z1, которая объединила содержание глины, песка, органического вещества, плотность почвы, отношение x при давлении -33 кПа, а затем скомбинировал переменную z1 с отношением x.
Наряду с регрессионными методами и нейронными сетями алгоритмы МГУА являются подходящим инструментом для исследования зависимостей между основными почвенными и почвенно-гидрологическими свойствами. Однако при значительном варьировании входных параметров внутри базы данных использование одного и того же уравнения ПТФ для всего информационного хранилища является некорректным. Предпочтительнее подразделить всю выборку данных на некоторое количество однородных частей и для них построить соответствующие модели восстановления гидрофизических свойств, т.е. провести предварительную группировку данных. Методы исследования, направленные на раскрытие структуры данных могут быть полезными в таких случаях.


Имя:*
E-Mail:
Комментарий:
  • bowtiesmilelaughingblushsmileyrelaxedsmirk
    heart_eyeskissing_heartkissing_closed_eyesflushedrelievedsatisfiedgrin
    winkstuck_out_tongue_winking_eyestuck_out_tongue_closed_eyesgrinningkissingstuck_out_tonguesleeping
    worriedfrowninganguishedopen_mouthgrimacingconfusedhushed
    expressionlessunamusedsweat_smilesweatdisappointed_relievedwearypensive
    disappointedconfoundedfearfulcold_sweatperseverecrysob
    joyastonishedscreamtired_faceangryragetriumph
    sleepyyummasksunglassesdizzy_faceimpsmiling_imp
    neutral_faceno_mouthinnocent
Введите два слова, показанных на изображении: *