Neuronale Netze: Validierung vs. TestsetIch weiß, dass das Validierungsset verwendet werden kann, um den Modellerstellungsprozess zu informieren, und das Testset wird nicht berührt. Beispielsweise kann in anderen Modellen die Validierung R2 als Stoppregel verwendet werden. Wie wird das Validierungsset in neuronalen Netzen verwendet?Ich kann keine Informationen dazu in der JMP-Dokumentation oder online finden. Danke.
Betreff: Neuronale Netze: Validierung vs. TestsetDie Trainingsteilmenge der Daten wird verwendet, um das neurale Netzwerkmodell anzupassen. Dieses Modell wird dann verwendet, um die Beobachtungen im Validierungssatz vorherzusagen. Der Validierungssatz wird in keiner Weise bei der Parameterschätzung verwendet. Es gibt keine „Stoppregel“, da sich das Modell nicht ändert (Anzahl der Terme/Parameter), wie es bei Partition oder Stepwise der Fall wäre.
Wie bereits vorgeschlagen, vergleichen Sie die Leistung des Trainings und der Validierung, um zu beurteilen, ob Sie unter- oder überangepasst sind.
Betreff: Neuronale Netze: Validierung vs. TestsetEinige Auswahlmöglichkeiten beim Aufbau eines neuronalen Netzwerks mit JMP Pro:
- Eine oder zwei Schichten
- Anzahl der Knoten in jeder Schicht
- Arten von Knoten
- Menge und Lernrate beim Boosten
Alle diese Auswahlmöglichkeiten stellen Parameter dar, die Sie auswählen, um Ihr Modell zu optimieren, um die bestmögliche Passform zu erhalten.Zu hoch abgestimmt und Sie werden überangepasst. Das Validierungsset wird also verwendet, um Sie vor einer Überanpassung Ihres Modells infolge Ihrer Wahl dieser Abstimmungsparameter zu schützen.
Da Sie das Validierungsset als Hilfestellung bei der Auswahl der Modellparameter verwenden, handelt es sich nicht mehr um eine unabhängige Bewertung der Leistung Ihres Modells.Hier kommt das Testset ins Spiel.
Betreff: Neuronale Netze: Validierung vs. Testsetja aber was unterscheidet es vom Testset. Es muss irgendwie beim Modellbau als Kontrolle verwendet werden.
Betreff: Neuronale Netze: Validierung vs. TestsetNormalerweise verwende ich die Validierungsergebnisse in Neural Nets als Überprüfung auf Überanpassung.
