( sinexton | 2022. 12. 07., sze – 16:02 )

A megoldásomat nem függvény illesztésre fejlesztettem, de erre is alkalmas és használom is. Ismerem az elérhető megoldásokat, csak nem mindig megfelelőek. Néha egy sima Spline is jó, de ha statisztikai inference-re van szükség (nem ismerem a magyar szakkifejezést), akkor nem jó. Ott függvényt illesztünk paraméter kereséssel.

Így van, mindegyiknek van előnye és hátránya. Célhoz eszköz, hova melyik kell. Én általában függvény paramétereket keresek.

A modellemet általános függvény megoldásra fejlesztettem, mint általános optimalizáció. Bármilyen anonim függvény átadható és arra optimalizál úgy, hogy nem ismeri a cél problémát. További előnye, hogy kevésbé ragad lokális optimumon a globális helyett és a nehéz "völgyekből" is tovább tud lépni.

Ezenkívül hatalmas előny, hogy non-parametrikus. Rengeteg algo hibája, hogy több paramétert kell definiálnod, hogy hatékony legyen. Például genetikai opt algoknál meg kell adnod keresési range-et, populációk számát stb. Ezért a keresési eredmény erősen függ attól, hogy mennyi pop-ot neveltél, azok közül a sikeresekből mennyit egyesítesz, hogyan, mikor stb. Nálam nincs paraméter. Ez durva különbség. Keresési intervallum sem kell, elég egy nagy szám, például 1e20. Nem baj ha 1e-23 és 1e-24 range-ben lesz az eredmény, akkor is gyorsan konvergál. Nem áll meg.

Hátrányokat egyelőre nem látok. Lehet hogy van, még kutatom és folyik a teszt.

Mindig non-par megoldások érdekelnek.