This HTML5 document contains 19 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Subject Item

dbr:Group_method_of_data_handling

owl:sameAs

dbpedia-es:Método_de_agrupamiento_para_el_manejo_de_datos

Subject Item

wikipedia-es:Método_de_agrupamiento_para_el_manejo_de_datos

foaf:primaryTopic

dbpedia-es:Método_de_agrupamiento_para_el_manejo_de_datos

Subject Item

dbpedia-es:Método_de_agrupamiento_para_el_manejo_de_datos

rdfs:label

Método de agrupamiento para el manejo de datos

rdfs:comment

Método de grupo para manejo de datos (GMDH por sus siglas en inglés) es una familia de algoritmos inductivos para la modelación matemática computacional de conjunto de datos multi-paramétricos que caracteriza completamente la optimización estructural y paramétrica automática de modelos. GMDH es utilizado en campos como Minería de datos, descubrimiento de conocimiento, predicción, modelado de sistemas complejos, optimización y reconocimiento de patrón. Un modelo GMDH con múltiples entradas y una salida es un subconjunto de componentes de la función base (1):

dct:subject

category-es:Algoritmos_de_clasificación

foaf:isPrimaryTopicOf

wikipedia-es:Método_de_agrupamiento_para_el_manejo_de_datos

dbo:wikiPageID

7218787

dbo:wikiPageRevisionID

124575711

dbo:wikiPageExternalLink

n4: n8: n9:GMDHreg n10: n11:net n12:com n15:html n20:html

dbo:wikiPageLength

11374

prov:wasDerivedFrom

n17:0

dbo:abstract

Método de grupo para manejo de datos (GMDH por sus siglas en inglés) es una familia de algoritmos inductivos para la modelación matemática computacional de conjunto de datos multi-paramétricos que caracteriza completamente la optimización estructural y paramétrica automática de modelos. GMDH es utilizado en campos como Minería de datos, descubrimiento de conocimiento, predicción, modelado de sistemas complejos, optimización y reconocimiento de patrón. Los algoritmos GMDH están caracterizados por el procedimiento inductivo que realiza un ordenamiento de modelos polinómicos gradualmente complicados y selecciona la solución mejor mediante el tan nombrado criterio externo. Un modelo GMDH con múltiples entradas y una salida es un subconjunto de componentes de la función base (1): donde f son las funciones elementales dependientes en diferentes conjuntos de entradas, a son coeficientes y m es el número de los componentes de la función base. Para encontrar la solución mejor los algoritmos GMDH consideran varios subconjuntos de componente de la función base (1) llamados modelos parciales. Los coeficientes de estos modelos son estimados por el método de Mínimos cuadrados. Los algoritmos GMDH gradualmente aumentan el número de componentes del modelo parcial y encuentran una estructura del modelo con complejidad óptima indicada por el valor mínimo de un criterio externo. Este proceso es llamado auto-organización de modelos. La función base más popular utilizada en GMDH es el polinomio gradualmente complicado de Kolmogorov-Gabor (2): Los modelos resultantes son también conocidos como redes neuronales polinómicas. Jürgen Schmidhuber cita a GDMH como uno de los métodos de aprendizaje profundo más tempranos, remarcando que ya en 1971 este fue usado para entrenar redes neuronales ocho-capas.​