Cloning for Heteroscedasticity Elimination in GMDH learning procedure

0330094 - ÚI 2010 DE eng A - Abstrakt
Jiřina, Marcel - Jiřina jr., M.
Cloning for Heteroscedasticity Elimination in GMDH learning procedure.
[Klonování pro eliminaci heteroskedasticity v učicí proceduře sítě typu GMDH.]
Unconventional Computation. Berlin: Springer, 2009 - (Calude, C.; Costa, J.; Dershowitz, N.; Freire, E.; Rozenberg, G.). s. 288-288. ISBN 978-3-642-03744-3.
[UC 2009. Unconventional Computation /8./. 07.09.2009-11.09.2009, Ponta Delgada]
Výzkumný záměr: CEZ:AV0Z10300504
Klíčová slova: multivariate data * GMDH * linear regression * Gauss-Markov conditions * cloning * genetic selection * classification
Kód oboru RIV: BA - Obecná matematika

For the classification of multivariate data into two classes the well-known GMDH MIA (group method data handling multilayer iterative algorithm) is often used. The process of adaptation of the GMDH network is based on standard linear regression. However, it can be found that the mathematical condition of homoscedasticity for linear regression to get unbiased results is not fulfilled. We found that cloning is a simple and effective method for obtaining a less biased solution and faster convergence. Our results demonstrate that the influence of heteroscedasticity can be easily eliminated this way better behavior of GMDH algorithm can be obtained.

Pro klasifikaci mnohorozměrných dat do dvou tříd se často používá dobře známá metoda GMDH. Proces adaptace sítě je založen na standardní lineární regresi. Ukazuje se, že matematická podmínka homoskedasticity pro získání neposunutých výsledků není splněna. Klonování je jednoduchá a účinná metoda pro získání méně zatížených výsledků a rychlejší onvergence. Naše výsledky ukazují, že vliv heteroskedasticity může být tímto způsobem snadno eliminován a dosaženo lepšího chování GMDH algoritmu.
Trvalý link: http://hdl.handle.net/11104/0175959