I detta arbete undersöks hur bestraffningsmetoder för att bestraffa storleken på GP-program påverkar generaliseringsförmågan. Arbetet grundar sig på ett arbete som Cavaretta och Chellapilla gjort, där de undersöker skillnaden i generaliseringsförmåga mellan bestraffningsmetoden ”Complexity Penalty functions” och ingen bestraffningsmetod. I detta arbete har nya experiment gjorts med ”Complexity Penalty functions” och ”Adaptive parsimony pressure”, som är en annan bestraffningsmetod. Dessa bestraffningsmetoder har undersökts i samma domän som Cavaretta och Chellapilla och ytterligare i en domän för att ge en bättre bild av hur de generaliserar. I arbetet visar det sig att användningen av någon av bestraffningsmetoderna ”Complexity Penalty functions” och ”Adaptive parsimony pressure” oftast ger bättre generaliseringsförmåga hos GP-program. Detta motsäger det Cavaretta och Chellapilla kommer fram till i sitt arbete. ”Adaptive parsimony pressure” verkar också vara bättre på att generalisera än ”Complexity Penalty functions”.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:his-789 |
| Date | January 2003 |
| Creators | Svensson, Daniel |
| Publisher | Högskolan i Skövde, Institutionen för datavetenskap, Skövde : Institutionen för datavetenskap |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0022 seconds