شبکه عصبی گروهی (Group Method of Data Handling - GMDH)، در ریاضیات (Mathematics)
انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :
شبکه عصبی گروهی (Group Method of Data Handling - GMDH) :
GMDH یک الگوریتم یادگیری ماشین خودسازمان ده است که در سال ۱۹۶۸ توسط ایواخننکو معرفی شد. این روش یک شبکه عصبی خود-سازمان ده با ساختار چندلایه است که هر لایه با ترکیب چندجمله ای از خروجی لایه قبل، مدل های مختلفی ایجاد می کند و بهترین آن ها را با معیار انتخاب (مثلا خطای کمترین مربعات) انتخاب می کند. GMDH را می توان یک شبکه عصبی پیش خور با معماری رشدکننده دانست.
فرآیند: در هر لایه، از ترکیب جفت خروجی های لایه قبل (یا ورودی ها) با یک تابع پایه (معمولا چندجمله ای درجه دو) مدل های متعددی ساخته می شود:
\[ y = a + b x_i + c x_j + d x_i x_j + e x_i^2 + f x_j^2 \]. سپس مدل هایی که معیار انتخاب (مثلا کمترین خطا روی داده اعتبارسنجی) را دارند، به عنوان خروجی لایه فعلی به لایه بعد منتقل می شوند. این روند تا زمانی که خطا کاهش یابد ادامه می یابد.
مزایا: خودکار بودن انتخاب معماری، تفسیرپذیری (مدل ها چندجمله ای هستند)، مناسب برای داده های کم. معایب: حساسیت به نویز، رشد سریع تعداد نورون ها در هر لایه، عدم کارایی در ابعاد بالا. کاربردها: پیش بینی سری های زمانی، مدل سازی سیستم های پیچیده، اقتصادسنجی.
GMDH در دهه ۱۹۸۰-۱۹۹۰ محبوب بود اما با ظهور یادگیری عمیق، کمتر مورد توجه قرار گرفت. با این حال، هنوز در برخی کاربردها استفاده می شود.
