Исследование влияния разбиения выборки данных на точность моделирования по алгоритмам МГУА

Abstract

Розбиття вибірки і критерії для вибору кращого розбиття є важливими елементами в алгоритмах МГУА. Розглянуто ефективність розбиття вибірки в задачах апроксимації, екстраполяції та прогнозування. Головну увагу приділено квазіоптимальному способу розбиття, який в комбінації з іншими способами здатний збільшити точність екстраполяції та прогнозування. Найбільша точність моделей досягається при поєднанні квазіоптимального розбиття і адаптивного прогнозу. Наявність декількох способів розбиття дозволяє обрати відповідну технологію для кожної задачі з огляду на особливості об'єкта.

Sample division and a criterion for choice of the best division are important elements in GMDH algorithms. Sample divisions efficiency in the tasks of approximation, extrapolation and forecasting is considered. The main attention is devoted to quasioptimal sample division method which enables to enhance the extrapolation and forecasting accuracy in combination with other methods. The best model accuracy is reached at the quasi-optimal sample division and the adaptive forecast. Some set of sample division methods allows to choose a proper technology for every task taking into account the object features.