Abstract
Original results of a research of an efficient computing method - group method of data han-dling are presented. Key shortcomings on each significant procedure of a classical algorithm arerevealed and systematized, and also ways of their elimination, including author’s modificationsare presented. In particular, the use of dispersion and an assessment of dispersion (Fischer’scriterion) is proposed as an assessment of accuracy of the received result, additional “internal”criterion for evaluation of adequacy of model in various tests during the fixing of input dataand changing of characteristics of an algorithm, and determining the optimal complexity of themodel. To solve the convergence problem of the classical algorithm, it was proposed to usethe methods of dispersion, factor and correlation analysis to eliminate non-informative features,modify the criterion for stopping the algorithm. The use of regularizing functionals is suggestedto solve the problem of multicollinearity of input characteristics and increase the stability of theobtained model, etc. A complex of computer modeling programs was developed, realizing an ef-ficient modified algorithm of GMDH with the considered modifications and also methods of adispersion analysis, correlation analysis, component analysis, elements of the regression analy-sis and others. The conducted researches and the received practical results can become a basisfor development with use of Machine Learning and Data Science technologies of the automaticsystem of computer modeling, the intellectual analysis and the data processing.
Highlights
ВведениеМатематическое моделирование стало неотъемлемой частью построения и исследования функционирования сложных систем.
В условиях неполноты информации активно используются методы индуктивного моделирования, позволяющие последовательно строить модели возрастающей сложности непосредственно по выборке данных без привлечения дополнительной априорной информации в фиксированном классе функций, предназначенные для функционального описания входо-выходных характеристик систем.
МГУА относится к методам анализа данных (Data Science), успешно применяется для решения задач моделирования, прогнозирования, распознавания образов и др.
Summary
Математическое моделирование стало неотъемлемой частью построения и исследования функционирования сложных систем. В условиях неполноты информации активно используются методы индуктивного моделирования, позволяющие последовательно строить модели возрастающей сложности непосредственно по выборке данных без привлечения дополнительной априорной информации в фиксированном классе функций, предназначенные для функционального описания входо-выходных характеристик систем. МГУА относится к методам анализа данных (Data Science), успешно применяется для решения задач моделирования, прогнозирования, распознавания образов и др. Проверка соответствия математической модели исходным данным, то есть её адекватность, оценивается точностью прогноза и сложностью структуры, а также согласованностью обнаруженных знаний результатам исследования. Однако классический многорядный алгоритм МГУА не лишён недостатков, которые могут не позволить корректно решить поставленную задачу. На каждой значимой процедуре МГУА исследователи предлагали свои идеи, создавая модифицированные алгоритмы для решений отдельных задач, однако их синтеза не проводилось. При его реализации выполняется большое количество операций: решение систем линейных уравнений, вычисление псевдообратных матриц, решение задач численной оптимизации и др. Любой алгоритм МГУА должен допускать эффективную программную реализацию, в том числе с применением современных компьютерных технологий: организации параллельных вычислений, использованием доступных вычислительных ресурсов и пр
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callMore From: RUDN Journal of Mathematics, Information Sciences and Physics
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
