Индуктивное моделирование объектов и явлений методом группового учёта аргументов: недостатки и способы их устранения

Представлены оригинальные результаты исследования эффективного вычислительного метода - метода группового учёта аргументов. Выявлены и систематизированы ключевые недостатки на каждой значимой процедуре классического алгоритма, а также представлены способы их устранения, в том числе авторские модификации. В частности, предложено использование дисперсии и её оценки (критерий Фишера) в качестве оценки точности полученного результата, дополнительного «внутреннего» критерия оценки адекватности модели в различных тестах при фиксации исходных данных и изменении характеристик алгоритма, а также определения оптимальной сложности модели. Для решения проблемы сходимости классического алгоритма было предложено использование методов дисперсионного, факторного и корреляционного анализов для исключения неинформативных признаков, модификации критерия остановки алгоритма. Предложено использование регуляризирующих функционалов для разрешения проблемы мультиколлинеарности входных признаков и повышения устойчивости полученной модели и др. Разработан комплекс программ компьютерного моделирования, реализующий модифицированный эффективный алгоритм метода группового учёта аргументов с рассмотренными авторскими модификациями, а также методами дисперсионного анализа, корреляционного анализа, факторного анализа, элементы регрессионного анализа и др. Проведённые исследования и полученные практические результаты могут стать основой для разработки с применением современных технологий Machine Learning и Data Science автоматизированной системы компьютерного моделирования, интеллектуального анализа и обработки данных.

Inductive Modeling of Objects and Phenomena by the GroupMethod of Data Handling: the Shortcomings and Ways of TheirElimination

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.