Структурная оптимизация нечетких регрессионных моделей с минимизацией ошибки прогноза на обучающей и тестовой выборке
Попов Александр Александрович, Холдонов Абдурахмон Абдуллоевич · CyberLeninK (CyberLeninka) · 2018
Актуальность и цели. Рассматривается проблема структурной оптимизации регрессионных моделей в рамках концепции нечетких систем (Fиzzу Sуstеms). Структурная оптимизация регрессионных моделей подразумевает решение задачи по определению модели оптимальной сложности. Модель оптимальной сложности имеет хорошие обобщающие способности и не несет в себе эффект переобучения. Приведены различные критерии качества моделей, которые используют проверочную часть выборки. Материалы и методы. В качестве метода оценивания всех неизвестных параметров моделей используется метод наименьших квадратов. В качестве систем правил использовалась модель Такаги Сугено. Область действия факторов разбивалась на нечеткие партиции. Для разбиения выборки на тестовую и обучающую части осуществляется построение D-оптимального плана. При этом основное внимание в работе уделено использованию в качестве критерия селекции моделей критерия стабильности, который представляет собой ошибку прогноза на обучающей и тестовой части выборки. Результаты. Для оценки работоспособности данного критерия и процедуры разбиения выборки на обучающую и тестовую части проведен вычислительный эксперимент. При этом использовалось специально разработанное приложение. Экспериментальные данные моделировались. При этом в качестве модели использовалась кусочная линейная зависимость от входного фактора. Результаты проведенных вычислительных экспериментов нашли отражение в таблицах и рисунках. Контроль точности проверяемых моделей проводился по среднеквадратичной ошибке (MSE). Выводы. Вычислительный эксперимент показал, что критерий стабильности, основанный на использовании тестовой выборки, полученной по процедуре оптимального планирования эксперимента, позволяет определять модель оптимальной сложности.
Cited by 0 works. Open-access PDF