予測モデルと特殊モデルでのJMPの比較は間違っています。私はJMPを使ってニューラルネットワークモデルを構築しました。Rの2乗値を出力します。次のようにRの2乗値を出力します。
しかし、私が予測値を出力してPythonでRの二乗をテストすると、次のように間違っていることがわかりました。
これは、SKlearnを使用して計算された検証データセットR square Iです。
0.63と0.54、それは大きな違いです。
誰でも私の質問に答えることができますか？
私に連絡してください：531554559@qq.com
緊急
再：予測的および特殊化モデリングにおけるJMPの研究は間違っています。pythonのR squareの計算式は次のとおりです。
だから私は本当にJMPのRの二乗の式は何であるか混乱している？
何が問題ですか？
実際にはJMPの文書としては：
再：予測的および特殊化モデリングにおけるJMPの研究は間違っています。pythonのR squareの計算式は次のとおりです。
だから私は本当にJMPのRの二乗の式は何であるか混乱している？
何が問題ですか？
実際にはJMPの文書としては：
私はそれが同じ式だが違う結果だと思います。
だから私は問題が何であるかを確認したい
再：予測的および特殊化モデリングにおけるJMPの研究は間違っています。あなたのデータなどにアクセスできない、私は違いを説明するかもしれないいくつかのチェック項目を提案することができます。
- 両方のアプリケーション（JMPとPython）で同じ観測を使用していることを確認してください。
- Pythonでは除外されない可能性のある行がJMPで除外されていないことを確認します。
- 四捨五入しないことを単位で確認してください。たとえば、ユーザーがExcelを使用すると結果が得られ、次にExcelからJMPにデータをコピーして貼り付けると、別の結果が得られます。矛盾の原因を探すとき、実際の値はJMPにコピーされず、表示された（フォーマットされた）値、したがって丸められた値がJMPで使用されました。
これが私が始めるところです。 それから私はJMPテーブルを使用して計算をするでしょう。
食い違いの原因が見つかった場合は投稿してください。
再：予測的および特殊化モデリングにおけるJMPの研究は間違っています。確認すべき1つの明らかなことは、検証とテストのデータセットが同じかどうかです（それらはランダムシードを使用して作成され、RとJMPが同じ方法でランダムシードを使用するかどうか不明です）。） データのトレーニング、検証、およびテストセットへのランダムな分割が異なる場合は、もちろんRの2乗値も異なります。 私はこれが事実であるかもしれないと思う - これもトレーニングにおける適合と検証/テストデータセットの間の大きな違いのためである。 この違いはかなりの過剰適合を示唆しており、もしそうであれば、結果は3つのサブセットへのデータの異なる分割によってかなり異なるかもしれません。
再：予測的および特殊化モデリングにおけるJMPの研究は間違っています。データをまったく知らないので、このケースでは70％-20％-10％の割り当て方式では検証に不十分なサンプルが提供される可能性があることを他の提案に追加します。ホールドアウトセットへの別の割り当てがより可能性が高いと思いますが、それを説明するのに役立つかもしれない何か他のものを追加するだけです。
再：予測的および特殊化モデリングにおけるJMPの研究は間違っています。ランダムシードをバリエーションの1つの原因として使用します。もう1つの原因は、伝達関数が異なる可能性があるという事実だけです。あなたは、Pythonが同じ量の隠れ層、同じ型、そして同じ量の伝達関数を持っていることを確認しましたか？JMPにはtanhと1つのレイヤしかありません（JMP Proはtanhに加えて2番目の隠れレイヤ、さらにガウスおよび通常の伝達関数を提供します）。あなたが使用したい転送/活性化機能。これがすべて同じであることを確認できますか？
異なる点が1つだけある場合、RSquareには異なる結果があるかもしれません。
もう一つの注意：あなたの分析の目的は何ですか？回帰や分類をしますか？後者の場合は、rsquareについてあまり気にする必要はありませんが、誤分類率、ROC曲線、またはrsquaredよりも有用な同様の測定値に注意してください。
再：予測的および特殊化モデリングにおけるJMPの研究は間違っています。JMPにNeuralモデルを当てはめた場合、結果はどう変わりますか？
これは、同じデータを持ち、トレーニングと検証への割り当てが同じで、ネットワークに変更がない2つの連続したフィットです。
再：予測的および特殊化モデリングにおけるJMPの研究は間違っています。Mark Baileyが彼の例で指摘したように、JMPのニューラルプラットフォームは最適な重みを探すために初期値をランダム化します。ランダムシードはトレーニング/検証/テストセット間のランダム分割にのみ適用され、検索開始値には適用されないため、これは指定されたランダムシードを使用した後続の実行でも発生します。
したがって、同一条件下でのモデル評価が異なると、フィット統計量が異なる可能性があります。これは、最適解を検索する必要がある数値アルゴリズムの場合に当てはまります。
