함수 근사
Function approximation |
일반적으로 함수 근사 문제는 작업 고유의 방식으로 [1][better source needed]목표[citation needed] 함수와 근접하게 일치하는(근사) 함수를 잘[citation needed][clarification needed] 정의된 클래스 중에서 선택하도록 요구한다.함수 근사치의 필요성은 응용 수학, [citation needed]특히[why?] 미생물학에서 [2]미생물의 성장을 예측하는 것과 같은 컴퓨터 과학의 많은 분야에서 발생한다.함수 근사치는 이론 모델을 사용할 수 없거나 [2]계산하기 어려운 경우에 사용됩니다.
함수 근사 문제의 두 가지 주요 클래스를 구별할[citation needed] 수 있습니다.
첫째, 알려진 목표함수 근사이론은 특정한 알려진 함수(예: 특수함수)가 종종 바람직한 특성(비압축 연산, 연속성, int)을 갖는 특정 함수 클래스(예: 다항식 또는 유리함수)에 의해 어떻게 근사될 수 있는지를 조사하는 수치 분석의 한 분야이다.제한값 등).[3]
둘째, g라고 불리는 목표함수는 알 수 없을 수 있다.명시적 공식 대신 형식(x, g(x))의 포인트 세트만 제공된다.[citation needed]g의 도메인 및 코드메인의 구조에 따라 g를 근사하기 위한 몇 가지 기술을 적용할 수 있다.예를 들어 g가 실수에 대한 연산인 경우 보간, 외삽, 회귀 분석 및 곡선 적합 기술을 사용할 수 있습니다.g의 코드메인(범위 또는 타깃 세트)이 유한 집합인 경우 대신 [4]분류 문제를 다루고 있습니다.
어느 정도까지는, 다른 문제들(회귀, 분류, 적합성 근사)은 통계 학습 이론에서 통일된 처리를 받았고, 여기서 그들은 감독 학습 문제로 [citation needed]간주되었다.
레퍼런스
- ^ Lakemeyer, Gerhard; Sklar, Elizabeth; Sorrenti, Domenico G.; Takahashi, Tomoichi (2007-09-04). RoboCup 2006: Robot Soccer World Cup X. Springer. ISBN 978-3-540-74024-7.
- ^ a b Basheer, I.A.; Hajmeer, M. (2000). "Artificial neural networks: fundamentals, computing, design, and application" (PDF). Journal of Microbiological Methods. 43 (1): 3–31. doi:10.1016/S0167-7012(00)00201-3. PMID 11084225.
- ^ Mhaskar, Hrushikesh Narhar; Pai, Devidas V. (2000). Fundamentals of Approximation Theory. CRC Press. ISBN 978-0-8493-0939-7.
- ^ Charte, David; Charte, Francisco; García, Salvador; Herrera, Francisco (2019-04-01). "A snapshot on nonstandard supervised learning problems: taxonomy, relationships, problem transformations and algorithm adaptations". Progress in Artificial Intelligence. 8 (1): 1–14. arXiv:1811.12044. doi:10.1007/s13748-018-00167-7. ISSN 2192-6360. S2CID 53715158.
「 」를 참조해 주세요.
