Многорядный алгоритм

На первом ряде алгоритма порождения моделей задано множество из переменных . Порождаются модели как линейные комбинации всевозможных пар переменных

Число моделей первого ряда есть число сочетаний . Каждая модель, порождаемая на ряде задается парой индексов . После порождения моделей их параметры настраиваются с использованием внутреннего критерия. Затем выбираются наилучших моделей с использованием внешнего критерия. Эти модели используются в следующем ряде. Множество выбранных моделей задано множеством пар индексов . На первом ряде индексы выбранных моделей принадлежат множеству .

На каждом последующем ряде новые модели — порождаются как суммы всевозможных пар выбранных моделей предыдущего ряда. Например, для второго ряда множество моделей

Порожденные модели снова настраиваются, выбираются наилучшие. Индексы, задающие выбранные модели принадлежат множеству , где .

Таким образом на -м ряде c помощью вышеприведенного алгоритма выбирается множество моделей, задаваемых множеством наборов индексов , которые принадлежат полученному множеству . При этом индексация элементов моделей остается сквозной,

Остановка порождения моделей на последующих рядах происходит в том случае, когда с увеличением номера слоя, то есть, с усложнением моделей, происходит увеличение внешнего критерия лучшей модели.

Смотри также

Связанный Байесовский вывод

Генетическое программирование

Регрессионный анализ

Литература

Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наукова думка. 1981.

Ивахненко А.Г., Степашко В.С. Помехоустойчивость моделирования. Киев: Наукова думка. 1985.

Malada, H.R., Ivakhnenko, A.G. Inductive Learning Algorithms for Complex Systems Modeling. CRC Press. 1994.

Стрижов В. В. Методы индуктивного порождения регрессионных моделей. М.: ВЦ РАН. 2008. 55 с. Брошюра, PDF.

Стрижов В.В., Крымова Е.А. Методы выбора регрессионных моделей. М.: ВЦ РАН, 2010. 60 с. Брошюра, PDF.

Внешние ссылки

http://www.gmdh.net