Group Method of Data Handling wurde in einer Vielzahl von Bereichen für Data Mining und Wissensentdeckung, Prognose und Systemmodellierung, Optimierung und Mustererkennung eingesetzt. Induktive GMDH-Algorithmen bieten die Möglichkeit, automatisch Zusammenhänge in Daten zu finden, eine optimale Struktur von Modell oder Netzwerk auszuwählen und die Genauigkeit bestehender Algorithmen zu erhöhen. Dieser ursprüngliche selbstorganisierende Ansatz unterscheidet sich wesentlich von deduktiven Methoden, die üblicherweise für die Modellierung verwendet werden. Sie hat induktive Natur - sie findet die beste Lösung durch Sortierung von möglichen Varianten. Durch die Sortierung verschiedener Lösungen zielt GMDH darauf ab, den Einfluss des Autors auf die Ergebnisse der Modellierung zu minimieren. Computer selbst findet die Struktur des optimalen Modells oder Gesetze, die in einem System agieren. Gruppe Methode der Datenbehandlung ist ein Satz von mehreren Algorithmen für verschiedene Probleme Lösung. Es besteht aus parametrischen, Cluster-, Analog-, Komplex-, Rebinarisierungs - und Wahrscheinlichkeitsalgorithmen. Dieser induktive Ansatz basiert auf der Sortierung von allmählich komplizierten Modellen und der Auswahl der optimalen Lösung durch minimale externe Kriteriumscharakteristik. Es werden nicht nur Polynome, sondern auch nichtlineare, probabilistische Funktionen oder Clusterisierungen als Grundmodelle verwendet. Der GMDH-Ansatz kann nützlich sein, weil: Es wird eine optimale Komplexität der Modellstruktur gefunden, die dem Rauschen in der Datenprobe adäquat ist. Für echte Probleme, mit geräuschigen oder kurzen Daten, sind eine vereinfachte optimale Modelle genauer. Die Anzahl der Schichten und Neuronen in verborgenen Schichten, Modellstruktur und anderen optimalen Neuran-Netzwerkparametern werden automatisch bestimmt. Es garantiert, dass die genauesten oder unvoreingenommene Modelle gefunden werden - Methode nicht verpassen die beste Lösung beim Sortieren aller Varianten (in der angegebenen Klasse von Funktionen). Als Eingangsgrößen werden alle nichtlinearen Funktionen oder Merkmale verwendet, die die Ausgangsgröße beeinflussen können. Es findet automatisch interpretierbare Beziehungen in Daten und wählt effektive Eingabevariablen. GMDH-Sortieralgorithmen sind für die Programmierung relativ einfach. Zwei mal mehrschichtige neuronale Netze können verwendet werden, um die Genauigkeit eines anderen Modellierungsalgorithmus zu erhöhen. Methode erhalten Informationen direkt aus Daten-Stichprobe und minimiert Einfluss der apriori Autor Annahmen über Ergebnisse der Modellierung. Ansatz bietet die Möglichkeit, zu finden, objektive physikalische Modell des Objekts (Recht oder Clusterisierung) - ein und dasselbe für zukünftige Proben. Es wurde in den vielen kommerziellen Software-Tools implementiert. GMDH ist auch bekannt als Polynom Neuronale Netze, Abduktive und Statistische Lernnetzwerke Konferenz Die 4. Internationale Konferenz über induktive Modellierung fand in Kiew, Ukraine Publikationen Das Buch Komplexe Systeme Modellierung durch experimentelle Daten wurde hinzugefügt Bibliothek Software Zwei Datenmodellierung Tools, KnowledegeMiner (yX ) Für Excel und KnowledgeMiner wurden für OS X freigegeben GMDH Shell ist die fortschrittliche, aber einfach zu bedienendes Tool für Data Mining GMDH PNN-Algorithmus ist verfügbar für Online-Berechnung auf der ersten und zweiten sitesGMDH Shell Über diese Software GMDH Shell ist der einfachste Weg zu Genaue Prognose Zeitreihen, erstellen Klassifikatoren und Regressionsmodelle. Basierend auf künstlichen neuronalen Netzwerken, ermöglicht es Ihnen, problemlos erstellen Vorhersagemodelle, sowie Pre-Prozessdaten mit toten einfachen Point-and-Click-Schnittstelle. Im Gegensatz zu anderen NN-basierten Tools, itx27s sehr schnell, weil der state-of-the-art parallele Verarbeitung und große Kern-Algorithmen-Optimierung. Features Checkliste Analytics Content Management Dashboard-Erstellung Dokumentenmanagement Gefilterte Ansichten Grafische Benutzeroberfläche Relationale Darstellung Simulationsmodelle Visual Discovery Kommentare: GMDH Shell (GS) kann einen Rohdaten-Datensatz in CSV aufnehmen und ein Vorhersagemodell schneller als nur über alles liefern Zu einem vernünftigen Preis. Die bereitgestellten Schablonen sind ein guter Anfang. Es gibt ein paar Optionen, um später anpassen, um Ihre Modelle zu verbessern. Und Sie können die Vorlagen nach Ihren Wünschen anpassen. Es ist großartig, wie GS sucht das beste Modell mit dem besten Algorithmus für Ihr Problem. Dies ist eine Funktion, die normalerweise für die Premium-Software-Tools reserviert ist. Sie sollten ein Verständnis von Eingängen, Zielen, Transformationen, Regression, Prognose und Klassifizierung Modellierung, um loszulegen. Die zur Verfügung stehenden Transformationen sind sehr nützlich, insbesondere die Zeitreihe Lag. Sie wollen die Dokumentation und Tutorials folgen, um das Beste aus ihm herauszuholen. Ich empfehle das Experimenters-Layout und die Verarbeitung Ergebnisse für die Wichtigkeit von Variablen und Residuals in jedem Standard-Vorlage. Mit Praxis mit GS ist von Vorteil und Spaß. Mehr Zimmertipps anzeigen
No comments:
Post a Comment