ıllı Internet y Tecnologías de la Información (2018)

internet, Hosting, dominios, seo, antivirus, banco de imágenes, páginas web, tiendas online

[Enciclopedia Online Gratuita] Diccionario de Internet y Tecnologías de la Información y la Comunicación (TIC):

ıllı Método de agrupamiento para el manejo de datos wiki: info, historia y vídeos

videos internet

salud  Método de agrupamiento para el manejo de datos 


Método de conjunto para manejo de datos (GMDH por sus iniciales en inglés) es una familia de algoritmos inductivos para la modelación matemática computacional de conjunto de datos multi-paramétricos que caracteriza totalmente la optimización estructural y paramétrica automática de modelos.


GMDH es usado en campos como Minería de datos, descubrimiento de conocimiento, predicción, modelado de sistemas complejos, optimización y reconocimiento de patrón.


Los algoritmos GMDH están caracterizados por el procedimiento inductivo que efectúa un ordenamiento de modelos polinómicos gradualmente difíciles y elige la solución mejor a través de el tan nombrado criterio externo.


Un modelo GMDH con múltiples entradas y una salida es un subconjunto de componentes de la función base (1):

Y(x1,…,xn)=a0+?i=1maifi

donde f son las funciones elementales dependientes en diferentes conjuntos de entradas, a son factores y m es el número de los componentes de la función base.


Para localizar la solución mejor los algoritmos GMDH consideran múltiples subconjuntos de componente de la función base (1) llamados modelos parciales. Los factores de estos modelos son estimados por el procedimiento de Mínimos cuadrados. Los algoritmos GMDH gradualmente aumentan el número de componentes del modelo parcial y hallan una estructura del modelo con dificultad inmejorable indicada por el valor mínimo de un criterio externo. Este proceso es llamado auto-organización de modelos.


La función base más popular usada en GMDH es el polinomio gradualmente complicado de Kolmogorov-Gabor (dos):

Y(x1,…,xn)=a0+?i=1naixi+?i=1n?j=inaijxixj+?i=1n?j=in?k=jnaijkxixjxk+?

Los modelos resultantes son asimismo conocidos como redes neuronales polinómicas. Jürgen Schmidhuber cita a GDMH como uno de los métodos de aprendizaje profundo más tempranos, remarcando que en mil novecientos setenta y uno este fue utilizado para adiestrar redes neuronales 8-capas.


El procedimiento estuvo producido en mil novecientos sesenta y ocho por Prof. Alexey G. Ivakhnenko en el Instituto de Cibernética en Kiev (en aquel momento en la República Socialista Soviética de Ucrania). Esta aproximación desde los primeros principios era un procedimiento computacional con lo que un conjunto de programas de computador y algoritmos fueron los resultados prácticos primarios logrados en la base de los principios teóricos nuevos. Merced a la política del autor de código abierto el procedimiento fue de forma rápida establecido en el elevado número de los laboratorios científicos mundiales. En aquel instante compartir código era una acción totalmente física puesto que el Internet es por lo menos cinco años más joven que GMDH. Pese a este hecho la primera investigación de GMDH fuera de la Unión Soviética fue hecha pronto por R.Shankar en mil novecientos setenta y dos. Después diferentes variaciones de GMDH fueron publicadas por científicos nipones y polacos.


Periodo mil novecientos sesenta y ocho-mil novecientos setenta y uno está caracterizado por la aplicación del criterio de regularidad única para la solución de los inconvenientes de identificación, reconocimiento de patrones y predicción a corto-plazo . Como referencia fueron utilizadas funciones polinómicas, redes lógicas, conjuntos difusos de Zadeh y fórmulas de probabilidad de Bayes. Los autores estuvieron estimulados por la tan alta precisión de predicción con la nueva aproximación. No fue investigada la inmunidad al estruendos.


Periodo mil novecientos setenta y dos-mil novecientos setenta y cinco. Fueron solucionados el inconveniente de la modelación de datos con estruendos y las bases de la información incompleta. Fueron propuestas la selección de criterios múltiples y la utilización de información auxiliar a priori para acrecentar la inmunidad al estruendos. Los mejores ensayos mostraron que con la definición extendida del modelo optimal por un criterio auxiliar el nivel de estruendos puede ser diez veces mayor que la señal. Entonces este fue mejorado usando el Teorema de Shannon de la teoría de Comunicación General.


Periodo mil novecientos setenta y seis-mil novecientos setenta y nueve. Fue investigada la convergencia de los algoritmos GMDH multicapa. Esto mostró que ciertos algoritmos multicapa tienen "multilayerness fallo" - equivalente al fallo estático de los sistemas de control. En mil novecientos setenta y siete fue propuesta una solución de los inconvenientes de análisis de sistemas objetivos por algoritmos GMDH multicapa. Esto dio como resultado que el ordenamiento por un conjunto de criterios halla el único sistema de ecuaciones inmejorable y por lo tanto señala los elementos del objeto complejo y sus primordiales variables de entrada y de salida.


Periodo mil novecientos ochenta-mil novecientos ochenta y ocho. Fueron recibidos muchos resultados teóricos esenciales. Se dejó claro que los modelos absolutamente físicos no pueden ser usados para predicciones en un largo plazo. Fue demostrado que los modelos no físicos de GMDH son más precisos para aproximación y previsión que modelos físicos de análisis de regresión. Fuern desarrollados algoritmos de 2 niveles que utilizan 2 escalas de tiempo diferentes para modelar.


Desde mil novecientos ochenta y nueve Fueron desarrollados y también investigados nuevos algoritmos (AC, OCC, PF) para la modelación no paramétrica de objetos difusos y SLP para los sistemas especialistas. La etapa actual de desarrollo de GMDH puede ser descrita como el florecimiento de las redes neuronales un par de veces-multicapa y los algoritmos combinatorios paralelos para ordenadores con multiprocesadores.


Hay muchas formas diferentes para elegir un orden para la consideración de los modelos parciales. El primer orden de consideración usado en GMDH y originalmente llamado procedimiento inductivo multicapa es el más popular. Este es un ordenamiento de los modelos gradualmente difíciles generados por los polinomios de Kolmogorov-Gabor. El mejor modelo está indicado por el mínimo de la característica del criterio externo.El procedimiento multicapa es equivalente a la Red Neuronal Artificial con función de activación polinómica de neuronas. En consecuencia el algoritmo con tal aproximación es por norma general referido como Red Neuronal tipo-GMDH o bien Red Neuronal Polinómica.

Fig.1. Una distribución propia de los valores mínimos del criterio de regularidad para modelos GMDH Combinatorios con diferente dificultad.

Otra esencial aproximación en consideración a los modelos parciales que deviene cada vez más y más popular es una busca combinatoria de fuerza bárbara que puede ser tanto limitada o bien completa. Esta aproximación tiene ciertas ventajas contra las Redes Neuronales Polinómicas mas precisa de un poder computacional notable y en consecuencia no es eficiente para objetos con más de treinta entradas en el caso de una busca completa. Una consecuencia esencial del GMDH Combinatorio es que este supera totalmente la aproximación por regresión lineal si el nivel de estruendos en el dato de entrada es mayor que cero.


El algoritmo combinatorio básico tiene los pasos siguientes:



  • Dividir los datos de muestra en 2 partes A y B.
  • Generar estructuras para los modelos parciales.
  • Estimar los factores de los modelos parciales utilizando el procedimiento de Mínimos cuadrados y la muestra A.
  • Calcular el valor del criterio externo para los modelos parciales utilizando la muestra B.
  • Escoger el mejor modelo (conjunto de modelos) indicado por el valor mínimo del criterio.

En contraste a las redes neuronales tipo-GMDH, el algoritmo Combinatorio no puede pararse en un nivel de dificultad seguro puesto que in punto de incremento del valor del criterio puede ser sencillamente un mínimo local, ver Fig.1.


  ELIGE TU TEMA DE INTERÉS: 


autoayuda.es   Internet y Tecnologias 

Está aquí: Inicio > [ INTERNET ] > ıllı Método de agrupamiento para el manejo de datos wiki: info, historia y vídeos

Las cookies nos permiten ofrecer nuestros servicios. Al utilizar nuestros servicios, aceptas el uso que hacemos de las cookies. Ver políticas