Поиск

Метод группового учёта аргументов (часть 1)
13.03.2013

Будучи мощным инструментом аппроксимации, искусственные нейронные сети, однако, имеют недостаток во встроенном математическом аппарате, не позволяющем ограничивать количество входных параметров или отсеивать наименее важные из них. Поэтому выгодно отличаются методы получения ПТФ, которые не принимают окончательный тип зависимости, пока возможно производить отсев наименее значимых из общего числа входных параметров. Один из таких математических инструментов - метод группового учета аргументов (МГУА), который относится к методам искусственного интеллекта и теории самоорганизации и является мощным инструментом для описания сложных связей между предикторами и переменными отклика.
МГУА сочетает в себе преимущества регрессионного анализа и искусственных нейронных сетей и поэтому широко применяется в мире при помощи разработанных в США и Европе коммерческих программных пакетов: NeuroShell2 (Ward Systems Group, Inc), ModelQuest (AbTech Corp.), ASPN (Barron Associates Co.), KnowledgeMiner (DeltaDesign Software) и многих других, которые содержит широкий спектр алгоритмов для решения разных задач, включая параметрические (полиномиальные) алгоритмы, и непараметрические алгоритмы (кластеризация, комплексирование аналогов, ребинаризация и вероятностные алгоритмы). Выбор алгоритма для практического использования зависит как от точности и полноты информации, представленной в выборке экспериментальных данных, так и от вида решаемой задачи. Будучи итерационным методом, МГУА близок к методу выбора лучшей регрессии, однако отличается от него целесообразной организацией поиска оптимальной структуры модели. Алгоритмы решения автоматически находят оптимальную для каждой выборки модель с помощью полного перебора всех возможных моделей-кандидатов, оценивают ее по заданному критерию на независимой подвыборке данных, интерпретируют взаимосвязи в данных и выбирают эффективные входные переменные.
Большинство алгоритмов МГУА используют полиномиальные опорные функции. Общая связь между входными и выходными переменными находится в виде функционального ряда Вольтерра, дискретный аналог которого известен как полином Колмогорова-Габора:

Метод группового учёта аргументов (часть 1)

где Х (x1,x2,...,xм) - вектор входных переменных; А(а1,а2,...,ам) - вектор коэффициентов слагаемых. Сложность структуры модели оценивается по числу используемых членов полинома. Переборная процедура состоит в расчете критерия при постепенном изменении структуры модели.
В качестве примера рассмотрим комбинаторный алгоритм МГУА, который имеет многорядную итерационную структуру. Входная выборка данных делится на две части. Приблизительно две третьих точек относят к обучающей подвыборке, а одна треть точек, которые остались (таким образом - каждая третья точка) формируют проверочную подвыборку.


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: *