多目标符号回归的复杂度度量
机器学习
2021-09-02 v1 神经与进化计算
摘要
多目标符号回归的优势在于，在最大化所学模型精度的同时，复杂度被自动调节而无需事先指定。优化的结果不再是一个单一解，而是一整个描述精度与复杂度之间权衡的帕累托前沿。在本文中，我们研究在使用 NSGA-II 进行多目标优化时，符号回归中最适合采用哪些复杂度度量。此外，我们提出了一种基于模型中出现的函数符号所包含的语义信息的新型复杂度度量，并在多个基准数据集上测试其影响。比较多种复杂度度量的结果以所达到的精度和模型长度给出，以说明算法的搜索方向如何受到影响。
引用
@article{arxiv.2109.00238,
title = {Complexity Measures for Multi-objective Symbolic Regression},
author = {Michael Kommenda and Andreas Beham and Michael Affenzeller and Gabriel Kronberger},
journal= {arXiv preprint arXiv:2109.00238},
year = {2021}
}
备注
International Conference on Computer Aided Systems Theory, Eurocast 2015, pp 409-416