Qu'est-ce qui a inspiré cette demande de liste de souhaits ?
JMP dispose d’excellentes capacités de visualisation et de prétraitement.
Il serait intéressant d’utiliser ces capacités dans le but de générer une expression explicite plus polyvalente que l’approximation polynomiale.
Certains domaines nécessitent des approximations explicites plutôt que des approximations générées par apprentissage automatique (type « boîte noire »). Bien souvent, les approximations polynomiales pures ne suffisent pas. La régression symbolique peut s'avérer très utile.
Aucune spécification initiale de forme fonctionnelle n'est requise.
https://en.wikipedia.org/wiki/Symbolic_regression
Quelle est l’amélioration que vous aimeriez voir ?
Avoir des capacités de régression symbolique dans le cadre des capacités prédictives.
Pourquoi cette idée est-elle importante ?
La régression symbolique étend considérablement les capacités de régression polynomiale.
Il s'approche de la polyvalence des réseaux neuronaux avec l'avantage de fournir une expression fonctionnelle explicite en conséquence.
Aucune spécification initiale de forme fonctionnelle n'est requise.
Merci pour votre demande. Nous allons étudier votre demande plus en détail et vous recontacterons.
Bonjour @VladimirB , un module complémentaire pour la régression symbolique est disponible ici : Régression symbolique using Python Package. Si vous l'avez testé, pourriez-vous nous dire s'il répond à vos besoins ?
