| http://dbpedia.org/ontology/abstract
|
Символьная регрессия — это тип регрессионн … Символьная регрессия — это тип регрессионного анализа, который используется для поиска в пространстве математических выражений модели, наилучшим образом соответствующей заданному набору данных, как с точки зрения точности, так и простоты. Никакой конкретной модели не предоставляется в качестве отправной точки для алгоритма. Вместо этого исходные выражения формируются путём случайного комбинирования математических строительных блоков, таких как математические операторы, аналитические функции, константы и . Обычно подмножество этих примитивов определяется пользователем, но это не является требованием метода. Проблема символьной регрессии для математических функций решалась с помощью множества методов, включая рекомбинирование уравнений, наиболее часто использующих генетическое программирование, а также более недавние методы, использующие байесовские методы и ИИ, вдохновлённые физикой. Другой неклассический альтернативный метод символьной регрессии называется инициатором универсальных функций (англ. Universal Functions Originator), который имеет другой механизм, пространство поиска и стратегию построения. Не требуя априорного определения модели, на символическую регрессию не влияют человеческие предубеждения или неизвестные пробелы в знаниях в предметной области. Она пытается раскрыть внутренние взаимосвязи набора данных, позволяя шаблонам в самих данных раскрывать соответствующие модели, а не навязывать структуру модели, которая считается математически поддающейся обработке с человеческой точки зрения. Функция приспособленности, которая управляет эволюцией моделей, принимает во внимание не только показатели ошибок (чтобы модели точно предсказывали данные), но и специальные меры описания сложности таким образом гарантируя, что полученные модели раскрывают основную структуру данных в виде понятном с человеческой точки зрения. Это облегчает рассуждения и увеличивает шансы получить представление о системе генерации данных. представление о системе генерации данных.
, Symbolic regression (SR) is a type of regr … Symbolic regression (SR) is a type of regression analysis that searches the space of mathematical expressions to find the model that best fits a given dataset, both in terms of accuracy and simplicity. No particular model is provided as a starting point for symbolic regression. Instead, initial expressions are formed by randomly combining mathematical building blocks such as mathematical operators, analytic functions, constants, and state variables. Usually, a subset of these primitives will be specified by the person operating it, but that's not a requirement of the technique. The symbolic regression problem for mathematical functions has been tackled with a variety of methods, including recombining equations most commonly using genetic programming, as well as more recent methods utilizing Bayesian methods and neural networks. Another non-classical alternative method to SR is called Universal Functions Originator (UFO), which has a different mechanism, search-space, and building strategy. Further methods such as Exact Learning attempt to transform the fitting problem into a moments problem in a natural function space, usually built around generalizations of the Meijer-G function. By not requiring a priori specification of a model, symbolic regression isn't affected by human bias, or unknown gaps in domain knowledge. It attempts to uncover the intrinsic relationships of the dataset, by letting the patterns in the data itself reveal the appropriate models, rather than imposing a model structure that is deemed mathematically tractable from a human perspective. The fitness function that drives the evolution of the models takes into account not only error metrics (to ensure the models accurately predict the data), but also special complexity measures, thus ensuring that the resulting models reveal the data's underlying structure in a way that's understandable from a human perspective. This facilitates reasoning and favors the odds of getting insights about the data-generating system. It has been proven that symbolic regression is an NP-hard problem, in the sense that one cannot always find the best possible mathematical expression to fit to a given dataset in polynomial time.fit to a given dataset in polynomial time.
, 関数同定問題（かんすうどうていもんだい、英: symbolic regression … 関数同定問題（かんすうどうていもんだい、英: symbolic regression、または英語直訳の記号回帰とも）とは数式空間を探索する回帰分析のひとつで、与えられたデータセットに対して正確かつ単純な最もふさわしいモデル（関数）を見つける問題のこと。アルゴリズムの開始点として与えられる特定のモデルはない代わりに、初期の数式は演算子、解析関数、定数、状態変数をランダムに組み合わせて与えられる（これら基本要素の部分集合は人間によって操作されることが多いが、技術的な要求はない）。新たな等式は遺伝的プログラミングによって以前の等式を組み換えたものとなる。 特別なモデルを明示する必要がないので、関数同定は人間の先入観や、ドメイン知識（問題領域の知識、経験則など）との隔たりによる影響を受けない。関数同定は人間が数学的に扱いやすいと考えるモデル構造を強要するのではなく、データ内のパターンの適切なモデルを明らかにすることによってデータセットの本来の関係性を明らかにすることを試みる。適応度関数は誤差メトリクスだけでなく特に複雑さも考慮に入れてモデルを進化させるので、人間が主観的に理解しやすい方法で結果のモデルはデータに潜在的にある構造を明らかにする。間が主観的に理解しやすい方法で結果のモデルはデータに潜在的にある構造を明らかにする。
, Symbolische Regression ist eine Art der Re … Symbolische Regression ist eine Art der Regressionsanalyse. Der Raum der mathematischen Funktionen wird nach Kandidaten zur optimalen Beschreibung von vorgegebenen Daten durchsucht. Häufig wird zum Finden der Lösung Genetische Programmierung benutzt, wobei Formeln als dargestellt werden, siehe Bild. Eureqa oder sind Beispiele für Programme zur symbolischen Regression.für Programme zur symbolischen Regression.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Genetic_Program_Tree.png?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
https://cavalab.org/srbench/ +
, https://cavalab.org/srbench/competition-2022/ +
, https://github.com/MilesCranmer/PySR +
, https://web.archive.org/web/20141218105301/http:/symbolicregression.com/ +
, https://github.com/alcides/GeneticEngine/ +
, https://cavalab.org/srbench +
, https://github.com/brendenpetersen/deep-symbolic-optimization +
, https://github.com/darioizzo/dcgp/ +
, http://www.genetic-programming.com/jkpdf/icnn1993impulse.pdf +
, https://turingbotsoftware.com/ +
, http://www.symbolicregression.com +
, http://www.cs.bham.ac.uk/~wbl/biblio/cache/cache/.hidden_13-jun_1525733794/http___www.staff.ncl.ac.uk_d.p.searson_docs_galesia97surveyofGP.pdf +
, https://github.com/marcovirgolin/GP-GOMEA +
, http://alphard.ethz.ch/gerber/approx/default.html +
, http://www.mafy.lut.fi/EcmiNL/older/ecmi35/node70.html +
, https://community.alteryx.com/pvsmt99345/attachments/pvsmt99345/product-ideas/1300/1/ThesisWouterSean_v2.pdf +
, https://github.com/EpistasisLab/pmlb +
|
| http://dbpedia.org/ontology/wikiPageID
|
42922637
|
| http://dbpedia.org/ontology/wikiPageLength
|
18966
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1124823942
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Max_Tegmark +
, http://dbpedia.org/resource/Genetic_programming +
, http://dbpedia.org/resource/Simulated_annealing +
, http://dbpedia.org/resource/Bayesian_statistics +
, http://dbpedia.org/resource/Meijer_G-function +
, http://dbpedia.org/resource/Scikit-learn +
, http://dbpedia.org/resource/Software_library +
, http://dbpedia.org/resource/Closed-form_expression +
, http://dbpedia.org/resource/Analytic_function +
, http://dbpedia.org/resource/Reverse_mathematics +
, http://dbpedia.org/resource/Julia_%28programming_language%29 +
, http://dbpedia.org/resource/Residual_%28numerical_analysis%29 +
, http://dbpedia.org/resource/Linear_genetic_programming +
, http://dbpedia.org/resource/Dimensional_analysis +
, http://dbpedia.org/resource/Eureqa +
, http://dbpedia.org/resource/Category:Computer_algebra +
, http://dbpedia.org/resource/State_variable +
, http://dbpedia.org/resource/Evolutionary_algorithm +
, http://dbpedia.org/resource/C%2B%2B +
, http://dbpedia.org/resource/Divide-and-conquer_algorithm +
, http://dbpedia.org/resource/Institute_of_Electrical_and_Electronics_Engineers +
, http://dbpedia.org/resource/University_of_Antwerp +
, http://dbpedia.org/resource/Mathematical_optimization +
, http://dbpedia.org/resource/QLattice +
, http://dbpedia.org/resource/Regression_analysis +
, http://dbpedia.org/resource/Domain_knowledge +
, http://dbpedia.org/resource/Polynomial-time +
, http://dbpedia.org/resource/HeuristicLab +
, http://dbpedia.org/resource/Constant_%28mathematics%29 +
, http://dbpedia.org/resource/John_Koza +
, http://dbpedia.org/resource/Discovery_system_%28AI_research%29 +
, http://dbpedia.org/resource/Fitness_function +
, http://dbpedia.org/resource/Genetic_and_Evolutionary_Computation_Conference +
, http://dbpedia.org/resource/Category:Genetic_programming +
, http://dbpedia.org/resource/Multi_expression_programming +
, http://dbpedia.org/resource/Gradient +
, http://dbpedia.org/resource/Artificial_intelligence +
, http://dbpedia.org/resource/Combinatorial_explosion +
, http://dbpedia.org/resource/NP-hardness +
, http://dbpedia.org/resource/Institution_of_Electrical_Engineers +
, http://dbpedia.org/resource/Python_%28programming_language%29 +
, http://dbpedia.org/resource/Artificial_neural_network +
, http://dbpedia.org/resource/Operation_%28mathematics%29 +
, http://dbpedia.org/resource/File:Genetic_Program_Tree.png +
, http://dbpedia.org/resource/Gene_expression_programming +
, http://dbpedia.org/resource/The_Feynman_Lectures_on_Physics +
, http://dbpedia.org/resource/Category:Regression_analysis +
, http://dbpedia.org/resource/Kolmogorov_complexity +
, http://dbpedia.org/resource/Method_of_moments_%28statistics%29 +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Short_description +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Use_American_English +
, http://dbpedia.org/resource/Template:Cite_web +
, http://dbpedia.org/resource/Template:Cite_thesis +
, http://dbpedia.org/resource/Template:Cite_conference +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Regression_analysis +
, http://dbpedia.org/resource/Category:Computer_algebra +
, http://dbpedia.org/resource/Category:Genetic_programming +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Analysis +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Symbolic_regression?oldid=1124823942&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Genetic_Program_Tree.png +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Symbolic_regression +
|
| owl:sameAs |
http://rdf.freebase.com/ns/m.010qpcpg +
, http://ja.dbpedia.org/resource/%E9%96%A2%E6%95%B0%E5%90%8C%E5%AE%9A%E5%95%8F%E9%A1%8C +
, http://dbpedia.org/resource/Symbolic_regression +
, http://de.dbpedia.org/resource/Symbolische_Regression +
, http://ru.dbpedia.org/resource/%D0%A1%D0%B8%D0%BC%D0%B2%D0%BE%D0%BB%D1%8C%D0%BD%D0%B0%D1%8F_%D1%80%D0%B5%D0%B3%D1%80%D0%B5%D1%81%D1%81%D0%B8%D1%8F +
, https://global.dbpedia.org/id/mBSS +
, http://www.wikidata.org/entity/Q18171762 +
|
| rdf:type |
http://dbpedia.org/ontology/Work +
|
| rdfs:comment |
Symbolische Regression ist eine Art der Re … Symbolische Regression ist eine Art der Regressionsanalyse. Der Raum der mathematischen Funktionen wird nach Kandidaten zur optimalen Beschreibung von vorgegebenen Daten durchsucht. Häufig wird zum Finden der Lösung Genetische Programmierung benutzt, wobei Formeln als dargestellt werden, siehe Bild. Eureqa oder sind Beispiele für Programme zur symbolischen Regression.für Programme zur symbolischen Regression.
, Символьная регрессия — это тип регрессионн … Символьная регрессия — это тип регрессионного анализа, который используется для поиска в пространстве математических выражений модели, наилучшим образом соответствующей заданному набору данных, как с точки зрения точности, так и простоты. Никакой конкретной модели не предоставляется в качестве отправной точки для алгоритма. Вместо этого исходные выражения формируются путём случайного комбинирования математических строительных блоков, таких как математические операторы, аналитические функции, константы и . Обычно подмножество этих примитивов определяется пользователем, но это не является требованием метода. Проблема символьной регрессии для математических функций решалась с помощью множества методов, включая рекомбинирование уравнений, наиболее часто использующих генетическое программировано использующих генетическое программирован
, 関数同定問題（かんすうどうていもんだい、英: symbolic regression … 関数同定問題（かんすうどうていもんだい、英: symbolic regression、または英語直訳の記号回帰とも）とは数式空間を探索する回帰分析のひとつで、与えられたデータセットに対して正確かつ単純な最もふさわしいモデル（関数）を見つける問題のこと。アルゴリズムの開始点として与えられる特定のモデルはない代わりに、初期の数式は演算子、解析関数、定数、状態変数をランダムに組み合わせて与えられる（これら基本要素の部分集合は人間によって操作されることが多いが、技術的な要求はない）。新たな等式は遺伝的プログラミングによって以前の等式を組み換えたものとなる。 特別なモデルを明示する必要がないので、関数同定は人間の先入観や、ドメイン知識（問題領域の知識、経験則など）との隔たりによる影響を受けない。関数同定は人間が数学的に扱いやすいと考えるモデル構造を強要するのではなく、データ内のパターンの適切なモデルを明らかにすることによってデータセットの本来の関係性を明らかにすることを試みる。適応度関数は誤差メトリクスだけでなく特に複雑さも考慮に入れてモデルを進化させるので、人間が主観的に理解しやすい方法で結果のモデルはデータに潜在的にある構造を明らかにする。間が主観的に理解しやすい方法で結果のモデルはデータに潜在的にある構造を明らかにする。
, Symbolic regression (SR) is a type of regr … Symbolic regression (SR) is a type of regression analysis that searches the space of mathematical expressions to find the model that best fits a given dataset, both in terms of accuracy and simplicity. It has been proven that symbolic regression is an NP-hard problem, in the sense that one cannot always find the best possible mathematical expression to fit to a given dataset in polynomial time.fit to a given dataset in polynomial time.
|
| rdfs:label |
Symbolic regression
, Символьная регрессия
, 関数同定問題
, Symbolische Regression
|
