Enhanced Symbolic Regression Through Local Variable Transformations

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F17%3A00316262" target="_blank" >RIV/68407700:21230/17:00316262 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21730/17:00316262

Výsledek na webu

<a href="http://www.scitepress.org/DigitalLibrary/Link.aspx?doi=10.5220/0006505200910100" target="_blank" >http://www.scitepress.org/DigitalLibrary/Link.aspx?doi=10.5220/0006505200910100</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.5220/0006505200910100" target="_blank" >10.5220/0006505200910100</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Enhanced Symbolic Regression Through Local Variable Transformations

Popis výsledku v původním jazyce

Genetic programming (GP) is a technique widely used in a range of symbolic regression problems, in particular when there is no prior knowledge about the symbolic function sought. In this paper, we present a GP extension introducing a new concept of local transformed variables, based on a locally applied affine transformation of the original variables. This approach facilitates finding accurate parsimonious models. We have evaluated the proposed extension in the context of the Single Node Genetic Programming (SNGP) algorithm on synthetic as well as real-problem datasets. The results confirm our hypothesis that the transformed variables significantly improve the performance of the standard SNGP algorithm.

Název v anglickém jazyce

Enhanced Symbolic Regression Through Local Variable Transformations

Popis výsledku anglicky

Genetic programming (GP) is a technique widely used in a range of symbolic regression problems, in particular when there is no prior knowledge about the symbolic function sought. In this paper, we present a GP extension introducing a new concept of local transformed variables, based on a locally applied affine transformation of the original variables. This approach facilitates finding accurate parsimonious models. We have evaluated the proposed extension in the context of the Single Node Genetic Programming (SNGP) algorithm on synthetic as well as real-problem datasets. The results confirm our hypothesis that the transformed variables significantly improve the performance of the standard SNGP algorithm.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2017

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 9th International Joint Conference on Computational Intelligence

ISBN

978-989-758-274-5

ISSN

—

e-ISSN

—

Počet stran výsledku

10

Strana od-do

91-100

Název nakladatele

SciTePress - Science and Technology Publications

Místo vydání

Porto

Místo konání akce

Funchal, Madeira

Datum konání akce

1. 11. 2017

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—