Mytnyk, Oleh2025-05-192025-05-192024Mytnyk O. Y. Robust Bayesian regression model in Bernstein form / O. Mytnyk // Могилянський математичний журнал. - 2024. - Т. 7. - C. 44-50. - https://doi.org/10.18523/2617-70807202444-502617-70802663-0648https://doi.org/10.18523/2617-70807202444-50https://ekmair.ukma.edu.ua/handle/123456789/34749Тут представлений iндуктивний метод побудови робастних моделей баєсiвської полiномiальної регресiї (БПР) у формi Бернштейна, що отримав назву ПРIАМ. ПРIАМ – це алгоритм, призначений для визначення стохастичної залежностi мiж змiнними. Трикомпонентна природа ПРIАМ поєднує переваги баєсiвського висновку, прозорiсть та лiнгвiстичну iнтерпретовнiсть нейронечiтких моделей у формi Бернштейна, робастнiсть методу опорних векторiв. Алгоритм апробовано на вiдомих штучних наборах даних, а також на реальних моделях рiзного розмiру та рiвня зашумленостi. Складено рейтинг, який демонструє переваги запропонованого алгоритму за бiльшiстю метрик.In this paper, we present an inductive method for constructing robust Bayesian Polynomial Regression (BPR) models in Bernstein form, referred to as PRIAM (Polynomial Regression Inductive AlgorithM). PRIAM is an algorithm designed to determine stochastic dependence between variables. The triple nature of PRIAM combines the advantages of Bayesian inference, the interpretability of neurofuzzy models in Bernstein form, and the robustness of the support vector approach. This combination facilitates the integration of state-of-the-art machine learning techniques in decision support systems. We conduct experiments using well-known datasets and real-world economic, ecological, and meteorological models. Furthermore, we compare the forecast errors of PRIAM against several competitive algorithms.en-USPRIAMBayesian inferenceBPRneurofuzzy modelpolynomials in Bernstein formarticleПРIАМбаєсiвський висновокБПРнейронечiтка модельполiноми в формi БернштейнаArticle