Symbolická regrese se složenými modely

Abstract

Cieľom tejto práce je navrhnúť robustnú metódu pre Symbolickú Regresiu založenú na princípoch Genetického Programovanie, ktorá bude schopná nájsť symbolické modely zložitých datasetov obsahujúcich nelinearity, nepravidelnosti a ďalšie artefakty. Metóda je založená na princípe rozdelenia datasetu na oblasti, na ktorých sa hľadajú symbolické modely lokálne. Navrhnutá metóda je testovaná na syntetických datasetoch ako aj datasetoch pochádzajúcich z reálnych úloh ako je napríklad Reinforcement Learning. Metóda je taktiež porovnaná so štandardnou metódou založenou na Genetickom Programovaní, ktorá hľadá jeden globálny model pre celý dataset.

The aim of the work is to propose a robust Symbolic Regression method based on Genetic Programming, which will be capable of finding symbolic models for complex datasets containing nonlinearities, irregularities and other artifacts. The method is based on a principle of dividing the dataset into regions and finding a piecewise models locally for them. The proposed method is tested on synthetic datasets and also on datasets sampled from real tasks such as Reinforcement Learning problems. The performance of the method is also compared to the performance of standard Genetic Programming approach, which finds single global model for whole dataset.