用于预测混沌系统的机器学习
原文中文，约400字，阅读约需1分钟。发表于：。对于预测混沌系统，传统的建模方法需要大量领域知识，因此转向使用机器学习的数据驱动方法。然而，已有的研究对于哪种机器学习方法最适合预测混沌系统的结论不一。本文通过使用广泛存在的数据库以及一种新引入的允许不确定性量化的基准结果，比较了不同轻量级和重量级的机器学习架构。我们基于计算成本进行超参数调整，并引入了一种新的错误度量标准，即累积最大误差，它结合了传统度量标准的几个理想特性，特别适用于混沌系...
通过比较不同机器学习架构的性能，研究了预测混沌系统的方法。结果显示简单方法和未调整的基准方法通常优于深度学习模型，但性能在不同实验设置下有差异，强调了预测方法与数据特征和计算资源匹配的重要性。
