Nonlinear regression via incremental decision trees

ما یک رگرسیون غیر خطی ترتیبی را بررسی می کنیم و یک الگوریتم آنلاین ارائه می دهیم که با استفاده از یک ساختار سلسله مراتبی افزایشی تطبیقی، مسائل همگرایی و زیر تعلیم روش های غیر خطی متعارف، زیبایی را کاهش می دهد. به ویژه، ما یک الگوریتم رگرسیون خطی (یا غیر خطی) بسته بندی شده ارائه می دهیم که فضای رگرسیون را پارتیشن بندی می کند و یک مدل خطی را در هر منطقه برای ترکیب می آموزد. بر خلاف رویکردهای معمول، الگوریتم ما به طور موثر پارتیشن فضای رگرسیون مطلوب را با پیچیدگی مطلوب در شیوه ای کاملا متوالی و داده ای آموزش می دهد. الگوریتم ما به صورت پیوسته و به طور صحیح عملکرد تابع رگرسیون دو مرتبه بهینه را برای هر توالی داده بدون هیچگونه فرضیه آماری به دست می آورد. الگوریتم معرفی شده می تواند به طور موثر با پیچیدگی محاسباتی که تنها در طول داده ها لگاریتمی باشد اجرا شود. در آزمایش های ما، ما در مقایسه با تکنیک های پیشرفته پیشرفت های قابل توجهی را برای مجموعه داده های شناخته شده معیار واقعی نشان می دهیم.