تُعتبر نماذج شيفيشيف (Chebyshev Polynomials) ودوال الأساس الشعاعية (Radial Basis Functions - RBF) من الأشكال التقليدية في التحليل العددي، حيث تتميز بتقديم أسطح تنبؤ متصلة وقابلة للاشتقاق، مما يجعلها مناسبة لأغراض مثل تحسين الفرضيات وتحليل الحساسية. ومع ذلك، على الرغم من هذه الخصائص المتفوقة، نادرًا ما تُستخدم هذه النماذج في التحليل الجداولي، حيث تهيمن نماذج الأشجار.

لذا تم طرح سؤال مهم: هل يمكن لنماذج شيفيشيف ودوال RBF غير المتجانسة منافسة تلك الأشجار؟ للإجابة على هذا السؤال، تم إجراء تجارب على 55 مجموعة بيانات متنوعة، وتم تطوير شبكة RBF غير متجانسة تعتمد على مواضع مركزية محسوبة من البيانات، بالإضافة إلى مُنحدِر من نموذج شيفيشيف مع تنظيم محدد، ونموذج هجين يجمع بين نموذج شيفيشيف ونموذج الشجرة.

تم تقييم هذه النماذج الجديد مع نماذج الأشجار، ورمز تحويل مُدرّب مسبقًا، بالإضافة إلى معايير قياسية أخرى. أظهرت النتائج أن نموذج التحويل يأتي في المرتبة الأولى من حيث الدقة في معظم مجموعات البيانات، لكن اعتماده على وحدات معالجة الرسوميات (GPU) وزمن الاستجابات الطويل قيّد استخدامه في البيئات المعتمدة على وحدات المعالجة المركزية (CPU) الشائعة.

بينما تَبَين أن النماذج السلسة والأشجار كانت مرتبطة دقًة، فإن النماذج السلسة كانت تميل إلى تقليل الفجوات في التعميم. لذا، يوصى بإدراج نماذج الأساس السلسة في طيف الخيارات المعتمدة، خاصةً عندما تفيد الاستخدامات المستقبلية من التنبؤات المتدرجة والدقيقة.