0 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Достоинства и недостатки модели

Достоинства и недостатки модели

Сегодня моделирование проводится исключительно для прогнозирования поведения реальных систем и оптимизации их функционирования (во втором случае иногда отличют проектирование от управления). Математические модели применяются и для получения учебных и квалификационных результатов. Кроме того, существует давняя тенденция к использованию моделей в «прочих» целях — рекламных, политических и профанационных (Новосельцев, Яшин; 2001).

В биологии вычислительные эксперименты, выполняемые компьютерами, определяют термином «in silico», аналогичным традиционным «in vivo» и «in vitro» (McCulloch, Huber; 2003). Первую попытку проанализировать проблему адекватности моделей в биологии на примере моделей старения сделали Плетчер и Нойхаузер (Pletcher, Neuhauser, 2000). Они пришли к кардинальному (хотя и неверному) выводу, что адекватных моделей старения не существует. На самом деле адекватность модели определяется возможностью решения с ее помощью практических задач (Новосельцев, Яшин; 2001). Все опубликованные модели адекватны поставленным целям — иначе бы их просто не публиковали.

К сожалению, моделирование на свободно от недостатков.

Первый из них связан с довольно распространенным заблуждением, что моделирование позволяет «обнаруживать качественно новые явления» (Самарский, Михайлов; 2003). На самом деле, любые новые явления, найденные в вычислительном эксперименте, требуют подтверждения в эксперименте реальном. Различие между ними чаще означает не открытие новых фактов, а необходимость уточнения модели. Хотя планета Нептун, предсказанная Леверье, и была действительно открыта астрономом Галле в указанной точке небесной сферы, в истории астрономии обычно не говорится, сколько аналогичных ошибочных, «открытий» не подтвердилось.

Вторым недостатком моделирования является то, что любой модельный анализ сужает горизонт возможных объяснений. Моделирование говорит об объекте ровно столько, сколько можно «втиснуть» в рамки модели, что было названо «прокрустовым ложем» моделирования (Yashin et al., 2001).

Так, для описания экспоненциальной зависимости риска смерти организма m(z) от возраста z с начала XIX в. демографы используют простое уравнение Гомпертца

где — риск смерти, a и b — коэффиценты. Обработка демографических данных на больших исторических интервалах времени показывает отрицательную корреляцию между этими коэффициентами, которая получила название корреляции Стрелера-Милдвана. Ее наличие считалось «природным феноменом», пока в середине XX в. эта корреляция, которая была лишь артифактом моделирования, внезапно не исчезла.

Следующий недостаток относится исключительно к статистическим моделям (Логофет, 2001), которые могут быть объективными исключительно в пределах того эмпирического множества, на котором строится модель. Заблуждения здесь связаны с коэффициентами корреляции, выборочные значения которых r > 0.5 трактуются как наличие причинной связи между коррелирующими рядами наблюдений. Однако корреляция может быть результатом как прямой связи между наблюдаемыми величинами, так и того, что оба коррелирующих ряда отражают независимые следствия некоторой общей причины.

Наконец, любую модель надо идентифицировать так, чтобы в ней воспроизводилось некоторое количество «ключевых экспериментов». Однако данных, которые можно извлечь из этих экспериментов, обычно для настройки параметров модели не хватает. Поэтому приходится привлекать данные из «третьих источников». Но и после этого остаются свободные параметры, которые выбираются в процессе моделирования ключевых экспериментов. А каждая степень свободы открывает для создателя модели возможности для неявной «подгонки» моделируемых процессов под процессы реальные. Поэтому оказывается, что чем больше таких параметров, тем менее значима содержательная часть модели.

Подводя итоги, скажем, что одно и то же явление может быть описано множеством моделей в зависимости от целей, которые ставили перед собой их авторы. Любая модель адекватна одним экспериментам, и неадекватна другим. Поэтому в экспериментальной биологии традиционно существует известный скептицизм в отношении моделирования, которому, однако, противостоит устойчивая тенденция подвергать биологические гипотезы строгому анализу. Математическое моделирование может и должно стать рутинным и удобным для биологов средством формулирования биологически обоснованных и корректных гипотез.

Достоинства и недостатки модели

Главный недостаток структурного подхода заключается в следующем: процессы и данные существуют отдельно друг от друга (как в модели деятельности организации, так и в модели программной системы), причем проектирование ведется от процессов к данным. Таким образом, помимо функциональной декомпозиции, существует также структура данных, находящаяся на втором плане.

Читать еще:  Чем отличаются ричтрак и штабелер

В объектно-ориентированном подходе основная категория объектной модели — класс — объединяет в себе на элементарном уровне как данные, так и операции, которые над ними выполняются (методы). Именно с этой точки зрения изменения, связанные с переходом от структурного к объектно-ориентированному подходу, являются наиболее заметными. Разделение процессов и данных преодолено, однако остается проблема преодоления сложности системы, которая решается путем использования механизма компонентов.

Данные по сравнению с процессами являются более стабильной и относительно редко изменяющейся частью системы. Отсюда следует главное достоинство объектно-ориентированного подхода, которое Гради Буч сформулировал следующим образом: объектно-ориентированные системы более открыты и легче поддаются внесению изменений, поскольку их конструкция базируется на устойчивых формах. Это дает возможность системе развиваться постепенно и не приводит к полной ее переработке даже в случае существенных изменений исходных требований.

Буч отмечает также ряд следующих преимуществ объектно- ориентированного подхода:

  • 1. Объектная декомпозиция дает возможность создавать программные системы меньшего размера путем использования общих механизмов, обеспечивающих необходимую экономию выразительных средств. Использование объектного подхода существенно повышает уровень унификации разработки и пригодность для повторного использования не только программ, но и проектов, что в конце концов ведет к созданию среды разработки и переходу к сборочному созданию ПО. Системы зачастую получаются более компактными, чем их структурные эквиваленты, что означает не только уменьшение объема программного кода, но и удешевление проекта за счет использования предыдущих разработок.
  • 2. Объектная декомпозиция уменьшает риск создания сложных систем ПО, так как она предполагает эволюционный путь развития системы на базе относительно небольших подсистем. Процесс интеграции системы растягивается на все время разработки, а не превращается в единовременное событие.
  • 3. Объектная модель вполне естественна, поскольку в первую очередь ориентирована на человеческое восприятие мира, а не на компьютерную реализацию.
  • 4. Объектная модель позволяет в полной мере использовать выразительные возможности объектных и объектно-ориентированных языков программирования.

К недостаткам объектно-ориентированного подхода относятся некоторое снижение производительности функционирования ПО и высокие начальные затраты. Объектная декомпозиция существенно отличается от функциональной, поэтому переход на новую технологию связан как с преодолением психологических трудностей, так и дополнительными финансовыми затратами. Безусловно, объектно-ориентированная модель наиболее адекватно отражает реальный мир, представляющий собой совокупность взаимодействующих (посредством обмена сообщениями) объектов. Но на практике в настоящий момент продолжается формирование стандарта языка объектно-ориентированного моделирования UML, и количество CASE-средств, поддерживающих объектно-ориентированный подход, невелико по сравнению с поддерживающими структурный подход. Кроме того, диаграммы, отражающие специфику объектного подхода (диаграммы классов и т.п.), гораздо менее наглядны и плохо понимаемы непрофессионалами. Поэтому одна из главных целей внедрения CASE-технологии, а именно снабжение всех участников проекта (в том числе и заказчика) общим языком «для передачи понимания», обеспечивается на сегодняшний день только структурными методами.

При переходе от структурного подхода к объектному, как при всякой смене технологии, необходимо вкладывать деньги в приобретение новых инструментальных средств. Здесь следует учесть и расходы на обучение (овладение методом, инструментальными средствами и языком программирования). Для некоторых организаций эти обстоятельства могут стать серьезными препятствиями.

Объектно-ориентированный подход не дает немедленной отдачи. Эффект от его применения начинает сказываться после разработки двух-трех проектов и накопления повторно используемых компонентов, отражающих типовые проектные решения в данной области. Переход организации на объектно-ориентированную технологию — это смена мировоззрения, а не просто изучение новых CASE-средств и языков программирования.

Сравнение классических моделей данных

При сравнении моделей данных очень трудно отделить факторы, характеризующие принципиальные особенности модели, от факторов, связанных с реализацией этих моделей данных средствами конкретных СУБД.

Достоинства и недостатки реляционной модели

Рассматривая преимущества и недостатки известных моделей данных, следует отметить ряд несомненных достоинств реляционного подхода:

Читать еще:  Что нам понадобиться сдклать пилу

· Простота. B реляционной модели всего одна информационная конструкция, которая формализует табличное представление данных, привычное для пользователей экономистов.

· Теоретическое обоснование. Наличие теоретически обоснованных методов нормализации отношений и проверки ацикличности структуры позволяет получать базы данных с заданными характеристиками.

· Независимость данных. Когда необходимо изменить структуру реляционной БД, это, как правило, приводит к минимальным изменениям в прикладных программах.

Среди недостатков реляционной модели данных необходимо назвать следующие.

· Низкая скорость при выполнении операции соединения.

· Большой расход памяти для представления реляционной БД. Хотя проектирование в ЗНФ рассчитано на минимальную избыточность (каждый факт представляется в БД один раз), другие модели данных обеспечивают меньший расход памяти для представления тех же фактов. Например, длина адреса связи обычно намного меньше, чем длина значения атрибута.

Достоинства и недостатки иерархической модели

Достоинствами иерархической модели данных являются следующие.

· Простота. Хотя модель использует три информационные конструкции, иерархический принцип соподчиненности понятий является естественным для многих экономических задач (например, организация статистической отчетности).

· Минимальный расход памяти. Для задач, допускающих реализацию с помощью любой из трех моделей данных, иерархическая модель позволяет получить представление с минимально требуемой памятью.

Недостатки иерархической модели.

· Неуниверсальность. Многие важные варианты взаимосвязи данных невозможно реализовать средствами иерархической модели, или реализация связана с повышением избыточности в базе данных.

· Допустимость только навигационного принципа доступа к данным.

· Доступ к данным производится только через корневое отношение.

Достоинства и недостатки сетевой модели

Необходимо отметить следующие преимущества сетевой модели данных.

· Универсальность. Выразительные возможности сетевой модели данных являются наиболее обширными в сравнении с остальными моделями.

· Возможность доступа к данных через значения нескольких

отношений (например, через любые основные отношения).

В качестве недостатков сетевой модели данных можно назвать.

· Сложность, т.е. обилие понятий, вариантов их взаимосвязей и особенностей реализации.

· Допустимость только навигационного принципа доступа к данным.

Результаты, полученные для ациклических баз данных, позволяют говорить о равноценных возможностях представления информации у ациклических реляционных БД, двухуровневых сетевых БД и иерархической БД без логических связей.

При анализе моделей данных не затрагивалась проблема упорядоченности значений в отношениях баз данных. Для реляционной модели данных эта упорядоченность с теоретической точки зрения необязательна, а в двух других моделях она широко используется для повышения эффективности реализации запросов.

Достоинства и недостатки моделей

Сравнение моделей прогнозирования

В предыдущем разделе представлен обзор существующих моделей прогнозирования. В настоящем разделе рассмотрены преимущества и недостатки не только описанных выше моделей, но и методов. Говоря о достоинствах и недостатках моделей прогнозирования, необходимо принимать во внимание и соответствующие им методы.

Регрессионные модели и методы. К достоинствам данных моделей прогнозирования относят простоту, гибкость, а также единообразие их анализа и проектирования [19]. При использовании линейных регрессионных моделей результат прогнозирования может быть получен быстрее, чем при использовании остальных моделей. Кроме того, достоинством является прозрачность моделирования [5], т. е. доступность для анализа всех промежуточных вычислений.

Основным недостатком нелинейных регрессионных моделей является сложность определения вида функциональной зависимости [14], а также трудоемкость определение параметров модели. Недостатками линейных регрессионных моделей являются низкая адаптивность и отсутствие способности моделирования нелинейных процессов [28].

Авторегрессионные модели и методы. Важными достоинствами данного класса моделей являются их простота и прозрачность моделирования. Еще одним достоинством является единообразие анализа и проектирования, заложенное в работе [1]. На сегодняшний день данный класс моделей является одним из наиболее популярных [3], а потому в открытом доступе легко найти примеры применения авторегрессионных моделей для решения задач прогнозирования временных рядов различных предметных областей.

Недостатками данного класса моделей являются: большое число параметров модели, идентификация которых неоднозначна и ресурсоемка [4]; низкая адаптивность моделей, а также линейность и, как следствие, отсутствие способности моделирования нелинейных процессов, часто встречающихся на практике [26].

Читать еще:  Достоинства немецкой техники

Модели и методы экспоненциального сглаживания. Достоинствами данного класса моделей являются простота и единообразие их анализа и проектирования. Данный класс моделей чаще других используется для долгосрочного прогнозирования [24].

Недостатком данного класса моделей прогнозирования является отсутствие гибкости [36].

Нейросетевые модели и методы. Основным достоинством нейросетевых моделей является нелинейность, т.е. способность устанавливать нелинейные зависимости между будущими и фактическими значениями процессов. Другими важными достоинствами являются: адаптивность, масштабируемость (параллельная структура ANN ускоряет вычисления) и единообразие их анализа и проектирования [25].

При этом недостатками ANN являются отсутствие прозрачности моделирования; сложность выбора архитектуры, высокие требования к непротиворечивости обучающей выборки; сложность выбора алгоритма обучения и ресурсоемкость процесса их обучения [5].

Модели и методы на базе цепей Маркова. Простота и единообразие анализа и проектирования являются достоинствами моделей на базе цепей Маркова.

Недостатком данных моделей является отсутствие возможности моделирования процессов с длинной памятью [30].

Модели на базе классификационно-регрессионных деревьев. Достоинствами данного класса моделей являются: масштабируемость, за счет которой возможна быстрая обработка сверхбольших объемов данных; быстрота и однозначность процесса обучения дерева (в отличие от ANN) [9], а также возможность использовать категориальные внешние факторы.

Недостатками данных моделей являются неоднозначность алгоритма построения структуры дерева; сложность вопроса останова т.е. вопроса о том, когда стоит прекратить дальнейшие ветвления; отсутствие единообразия их анализа и проектирования [31].

Достоинства и недостатки моделей и методов систематизированы в таблице 1.

Таблица 1. Сравнение моделей и методов прогнозирования

Модель и методДостоинстваНедостатки
Регрессионные модели и методыпростота, гибкость, прозрачность моделирования; единообразие анализа и проектированиясложность определения функциональной зависимости; трудоемкость нахождения коэффициентов зависимости; отсутствие возможности моделирования нелинейных процессов (для нелинейной регрессии)
Авторегрессионные модели и методыпростота, прозрачность моделирования; единообразие анализа и проектирования; множество примеров применениятрудоемкость и ресурсоемкость идентификации моделей; невозможность моделирования нелинейностей; низкая адаптивность
Модели и методы экспоненциального сглаживанияпростота моделирования; единообразие анализа и проектированиянедостаточная гибкость; узкая применимость моделей
Нейросетевые модели и методынелинейность моделей; масштабируемость, высокая адаптивность; единообразие анализа и проектирования; множество примеров примененияотсутствие прозрачности; сложность выбора архитектуры; жесткие требования к обучающей выборке; сложность выбора алгоритма обучения; ресурсоемкость процесса обучения
Модели и методы на базе цепей Марковапростота моделирования; единообразие анализа и проектированияневозможность моделирования процессов с длинной памятью; узкая применимость моделей
Модели и методы на базе классификационно-регрессионных деревьевмасштабируемость; быстрота и простота процесса обучения; возможность учитывать категориальные переменныенеоднозначность алгоритма построения дерева; сложность вопроса останова

Нужно дополнительно отметить, что ни для одной из рассмотренных групп моделей (и методов) в достоинствах не указана точность прогнозирования. Это сделано в связи с тем, что точность прогнозирования того или иного процесса зависит не только от модели, но и от опыта исследователя, от доступности данных, от располагаемой аппаратной мощности и многих других факторов. Точность прогнозирования будет оцениваться для конкретных задач, решаемых в рамках данной работы.

В ряде работ [2],[36],[37] указано, что на сегодняшний день наиболее распространенными моделями прогнозирования являются авторегрессионные модели (ARIMAX), а также нейросетевые модели (ANN). В статье [3], в частности, утверждается: «Without a doubt ARIMA(X) and GRACH modeling methodologies are the most popular methodologies for forecasting time series. Neural networks are now the biggest challengers to conventional time series forecasting methods». (Без сомнений модели ARIMA(X) и GARCH являются самыми популярными для прогнозирования временных рядов. В настоящее время главную конкуренцию данным моделям составляют модели на основе ANN.)

|следующая лекция ==>
Другие модели и методы прогнозирования|Комбинированные модели

Дата добавления: 2014-01-20 ; Просмотров: 11112 ; Нарушение авторских прав?

Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет

Ссылка на основную публикацию
ВсеИнструменты
Adblock
detector
×
×