GMDH — это семейство алгоритмов индуктивного машинного обучения, которые используются для широкого круга задач, включая глубокое обучение и обнаружение знаний, прогнозирование и интеллектуальный анализ данных, оптимизацию и распознавание образов. Подход GMDH включает перебор ряда возможных моделей и выбор оптимального решения на основе минимальной характеристики внешнего критерия. Его можно использовать для поиска взаимосвязей в данных, выбора оптимальной структуры модели или сети, а также для повышения точности существующих алгоритмов. Подход GMDH отличается от дедуктивных методов тем, что имеет индуктивный характер и стремится минимизировать влияние пользователя на результаты моделирования, позволяя компьютеру найти оптимальную структуру модели или законы, действующие в системе. Подход GMDH включает в себя ряд алгоритмов для различных типов задач, в том числе параметрические алгоритмы, алгоритмы кластеризации, комплексирования аналогов, ребинаризации и вероятностных алгоритмов. Это может быть полезно, потому что он может найти оптимальный уровень сложности для структуры модели, автоматически определить оптимальные гиперпараметры, гарантировать, что будут найдены наиболее точные или непредвзятые модели, использовать нелинейные функции или признаки в качестве входных переменных, найти интерпретируемые отношения в данных, и минимизировать влияние априорных предположений на результаты моделирования.