基于神� chaos learning 的增强回归模型
机器学习
2025-05-20 v1 动力系统
摘要
本研究提出了一种新颖的增强回归模型，采用神经混沌学习(NL)，将源自神经混沌学习框架的轨迹均值特征融入线性回归、岭回归、套索回归和支持向量回归(SVR)等传统回归算法。我们的方法使用十个包含多个实际场景的真实数据集以及一个形式为 的合成数据集进行评估。结果表明，纳入轨迹均值特征(神经混沌学习架构中神经元神经轨迹的均值)显著提升了回归性能，尤其是在增强套索回归和增强SVR中，六个中的六个真实数据集都表现出改进的预测准确性。在所有模型中，增强混沌岭回归实现了最高的平均性能提升(11.35%)。此外，对模拟数据集的实验表明，随着样本量的增加，增强模型的均方误差(MSE)始终减小并趋向于最小均方误差( MMSE)。本工作表明，混沌启发的特征在回归任务中具有潜力，为构建更精确和计算更高效的预测模型提供了可能性。
引用
@article{arxiv.2505.12967,
title = {Augmented Regression Models using Neurochaos Learning},
author = {Akhila Henry and Nithin Nagaraj},
journal= {arXiv preprint arXiv:2505.12967},
year = {2025}
}