рефераты конспекты курсовые дипломные лекции шпоры

Раздел Образование
/
Многорядный алгоритм

Реферат Курсовая Конспект

Выберите учебное заведение

Многорядный алгоритм

Многорядный алгоритм - раздел Образование, Прогнозирование рыночного поведения и МГУА подход На Первом Ряде Алгоритма Порождения Моделей Задано Множество Из ...

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

Развернуть

Открыть в широком формате

– Конец работы –

Эта тема принадлежит разделу:

Прогнозирование рыночного поведения и МГУА подход

Критерий absolute noise immune... Утверждается что с помощью этого критерия из сильно зашумленных данных...

Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Многорядный алгоритм

Что будем делать с полученным материалом:

Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:

Все темы данного раздела:

Прогнозирование рыночного поведения и МГУА подход
Для финансовых рынков характерна нестабильность и неустойчивость. При этом известные модели на практике часто оказываются непригодными для прогнозирования. В такой ситуации для анализа, моделирован

Основные Принципы
Предложен академиком А.Г. Ивахненко. Метод использует идеи самоорганизации и механизмы живой природы – скрещивание (гибридизацию) и селекцию (отбор).

Практическое Применение
На Рис.3 представлены прогнозы на один бар переменных High, Low, Close, Average(Close, 5), полученные в результате расчетов многорядным полиномиальным методом МГУА. Отдельно следует подчеркнуть, чт

Метод группового учета аргументов
Метод группового учета аргументов (МГУА) — семейство индуктивных алгоритмов для математического моделирования мультипараметрических данных. Метод основан на рекурс

Метод наименьших квадратов
Перед тем, как начинать рассмотрение МГУА, было бы полезно вспомнить или узнать впервые метод наименьших квадратов — наиболее распространенный метод подстройки линейно зависимых параметров.

Метод группового учёта аргументов
Метод группового учета аргументов, МГУА (Group Method of Data Handling, GMDH) — метод порождения и выбора регрессионных моделей оптимальной сложности. Под сложностью модели в МГУА

Критерий регулярности
Критерий регулярности включает среднеквадратичную ошибку на обучающей подвыборке

Критерий минимального смещения
Иначе критерий непротиворечивости модели: модель которая имеет на обучающей выборке одну невязку, а на контрольной — другую, называется противоречивой. Этот критерий включает разность между зависим

Комбинированный критерий
Этот критерий позволяет использовать при выборе моделей линейную комбинацию нескольких критериев. Комбинированный критерий

Парето-оптимальный фронт в пространстве критериев
Парето-оптимальный фронт — альтернатива комбинированным критериям. Выбирается множество внешних критериев, условиям оптимальности которых должна удовлетворять модель. Каждой модели ставится в соотв

Комбинаторный алгоритм
Комбинаторный (однорядный) алгоритм использует только один ряд выбора. При этом порождаются все возможные линейные комбинации ограниченной сложности. Так как под сложностью понимается число линейно