ScholarGate
Asistents
Machine learningDynamical causality

Konverģentā krusteniskā kartēšana (CCM)

Konverģentā krusteniskā kartēšana (CCM) ir nelineāra, stāvokļa telpas metode cēloņsakarību noteikšanai starp laika rindu mainīgajiem, kas iegulti kopīgā dinamiskā sistēmā. To ieviesa Džordžs Sugihara un kolēģi savā ievērojamajā 2012. gada Science rakstā. CCM izmanto Takensa iegulšanas teorēmu: ja mainīgais X cēloņsakarīgi ietekmē Y, tad Y vēsturiskais ieraksts satur pietiekami daudz informācijas, lai atjaunotu X stāvokļus. Cēloņsakarība tiek apstiprināta, ja krusteniskās kartēšanas precizitāte uzlabojas — konverģē —, pieaugot laika rindu bibliotēkas garumam.

Atvērt MethodMindDrīzumāVideoDrīzumāLejupielādēt slaidus

Lasīt pilno metodes aprakstu

Tikai dalībniekiem

Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.

Pieteikties

Metožu karte

Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.

Avoti

  1. Sugihara, G., et al. (2012). Detecting causality in complex ecosystems. Science, 338(6106), 496–500. DOI: 10.1126/science.1227079

Kā citēt šo lapu

ScholarGate. (2026, June 2). Convergent Cross Mapping (CCM). ScholarGate. https://scholargate.app/lv/causal-inference/convergent-cross-mapping

Kura metode?

Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.

Salīdzināt blakus

Uz to atsaucas

ScholarGateConvergent Cross Mapping (Convergent Cross Mapping (CCM)). Izgūts 2026-06-15 no https://scholargate.app/lv/causal-inference/convergent-cross-mapping · Datu kopa: https://doi.org/10.5281/zenodo.20539026