ニューラルネットワークを用いた交通渋滞の長さのモデリング私は渋滞データの長さを記録した760レコードのデータベースを持っています。そのため、その日の時間に予想されるように、非常に重要な入力変数が1つあります。朝の8時00分に急激な最大値があり、午後の16時00分前後に広い最大値があります。最小二乗回帰を用いて、１０次多項式関数を用いて昼間時間の関数として交通渋滞の長さを極めて正確にモデル化することが可能である（過剰適合はなく、１０乗の係数は有意である）。しかし、1層のニューラルネットワークといくつかのノードでモデル化しようとすると、午後4時から5時までの広い最大値は問題ありませんが、午前中は急激な最大値が常に1時間早く発生します。ノード数を2から偶数に増やす 10は役に立ちません。もっとレイレを使うべきですか？JMPで可能？推奨されるノード/レイヤ数はいくつですか。
助けてくれて、私はすぐにもっと多くのデータと入力を手に入れるでしょう、そして私はニューラルネットワークを使ってモデルを訓練して構築したいです。
再：ニューラルネットワークを用いた交通渋滞の長さのモデリング時系列分析必要等間隔の観測。時系列分析について予測する過去に観測された擾乱に基づく将来、通常は最近の観測はより重く重み付けされています。時系列の下で多くの可能なモデルがあります。その証明はパフォーマンスにあります。
再：ニューラルネットワークを用いた交通渋滞の長さのモデリングこんにちは、Marcさん、スプラインアプローチを使用してうまくモデル化された私の交通事件についてお話します。時系列分析でこれを使用することは可能だと思いますか。すなわち、スプライン関数を使用して時間傾向とARIMA自己回帰残差をモデル化しますか？次に、このハイブリッド・モルデルをニューラルネットに入力して正確な予測を得ることができます。これはよく知られているアプローチですが、移動平均は一般に時間傾向のモデル化に使用されます。
再：ニューラルネットワークを用いた交通渋滞の長さのモデリングはい、それは手動のプロセスになります。
再：ニューラルネットワークを用いた交通渋滞の長さのモデリングモデル化手法が異なると詳細は異なりますが、一般的に、構造に関係なく、応答が複雑になるほど、モデルは複雑になります。ある意味では、最小の分散で応答を近似するために必要なパラメータの数が問題になります。これが、回帰モデルの線形予測子に非常に高次の多項式が必要だった理由です。そのため、ニューラルネットワークモデルに多数のノードが必要でした。
NNモデルに追加の予測子を導入する場合は、おそらく追加のノードまたは2番目の隠れ層（必要なのはJMP Proが必要です）が、回帰モデルの線形予測子に項を追加する必要があるようになります。
この世界には多くの経験則があります。人々がそれらを好むのではなく、彼らが特に優れているからではありません。
「 F あるいは複雑な質問にはすべて単純な答えがありますが、それは間違っています。 " （HLメンケン）
再：ニューラルネットワークを用いた交通渋滞の長さのモデリングスプラインフィットとの交差検定を実行する方法がありますので、過剰フィットのリスクは排除されますか？
再：ニューラルネットワークを用いた交通渋滞の長さのモデリングMarcさん、これはうまくいきます。あなたのエキスパートavidviceに感謝します。入力として1時間しか必要としないので、非常に多くのノードが必要であることに私は一度も気付きませんでした。もっと多くの潜在的な入力変数があるので、> 8ノードが必要になると想像できるでしょうか？#nodesに関するガイドラインはありますか？私はこれが#dataの平方根であるという記事を読みました。この場合は2 - 3ですが、明らかに間違っています。親切、フランク
再：ニューラルネットワークを用いた交通渋滞の長さのモデリングあなたの例を共有してくれてありがとう。の効果が見つかりませんでした日単独で、またはあらゆる権限との相互作用の一部として時だから、それは排除されます。これで、2変量プラットフォームとフレキシブル > スプラインフィット。必要に応じてパラメータを調整してください。値1から始めて、良い結果が得られました。
（Fit Modelではスプライン効果として用語を含めることもできますが、ここで必要な柔軟性を簡単に調べることができます。）
散布図の下のSmoothing Spline Fitの隣にある赤い三角をクリックし、Save PredictedsとSave Residualを選択すると、フィットと残差を保存できます。参照線が追加された実際のL by予測L散布図です。
私にはとてもよさそうです！これは、予測されたLによるL個の残差です。
同様に、これらの結果はとても良く見えます。予測に列式を使用することもできます。
この方法は、多項式モデル（固定形状）やニューラルネットワークモデルよりも直接的で満足のいくようです。私はNNモデルも調べました、なぜならそれらは一般的に優れた近似子だからです。単層で双曲線正接活性化関数を使用する8つの隠れノードを持つNNは、偏りと分散を最小限に抑えるように思われ、予測はスプラインモデルとよく一致します。
log Lの利点は何ですか？距離が線形の場合、人々は解釈が簡単になります。
再：ニューラルネットワークを用いた交通渋滞の長さのモデリング私は言及するのを忘れました：jmp 13標準バージョンが使われます（プロではありません）。
再：ニューラルネットワークを用いた交通渋滞の長さのモデリング添付データを見つけます。目標は、時間と日に対するLog（L）をモデル化することです（他の入力もありますが、ここでは関係ありません）。二変量6次多項式近似は時間に対してうまくいくが、神経モデルは午前中に失敗する。
再：ニューラルネットワークを用いた交通渋滞の長さのモデリングどのバージョンのJMPを使用していますか？
Neuralのどのオプションと設定を使用していますか？
検査や調査のためのデータを見てもいいですか。
再：ニューラルネットワークを用いた交通渋滞の長さのモデリングニューラルネットが私のケースをモデル化できない理由はわかりません。それは機械学習で集中的に使用されています。なぜニューラルネットは常に1時間から早朝までの最大渋滞時間を予測するのですか？たぶん私は正確な予測をするために私のニューラルネットでもっと多くの層を使うべきです、私は知りません..
再：ニューラルネットワークを用いた交通渋滞の長さのモデリング 見て、そして生存分析を忘れなさい。私はあなたがデータをフィットさせるためにそのような高次多項式を必要とすることに驚いています。最上位の項が重要であっても、残差分析、レバレッジ、および影響は何を示していますか？
私はまた、その多くのノードを持つニューラルネットワークも同様に適合しなかったことに驚きました。彼らは非常に柔軟な補間です。
純粋に予測的なアプリケーションのためにスプラインとガウス過程モデルを検討するかもしれません。
再：ニューラルネットワークを用いた交通渋滞の長さのモデリングMarc、私の応答はkmの長さで、inputはその日の時間の最大値が2つ得られるものです。1つは午前8:00に、もう1つは16:00 hになります。
再：ニューラルネットワークを用いた交通渋滞の長さのモデリング私はあなたがニューラルネットワークでデータをモデル化するのをお勧めしませんが、あなたの反応は '生'または 'イベントまでの時間'データであるので、信頼性/生存モデルを使うことを考えましたか？
