Guide pour les nœuds de réseaux neuronaux: nœud (s) interne (s) versus nœud (s) caché (s) et externe (s)?J'aide un client avec une évaluation Pro et nous passons à la deuxième édition du "Fondamental de l'analyse prédictive avec JMP". Sur la page 252, ils donnent des instructions pour déterminer le nombre de nœuds. JMP peut avoir le calque d'entrée (X), un ou deux calques masqués et le calque de sortie (Y). Leurs recommandations considèrent le nombre de nœuds de sortie pour les variables catégorielles:
"Le nombre de nœuds dans la couche en sortie dépend du problème. Pour prédire une seule variable continue ou binaire, utilisez un nœud de sortie. Pour une variable catégorielle à cinq niveaux, utilisez cinq nœuds de sortie, un pour chaque niveau. "
Ils discutent ensuite des règles empiriques relatives aux numéros de nœuds d'entrée et de sortie.
Ma question est donc la suivante: l’utilisateur doit-il simplement connaître le nombre de niveaux qu’il a pour un Y catégorique afin de déterminer le nombre de nœuds? Il semble que le rapport sur les neurones ne contienne aucune information de manière évidente, si ce que j'ai dit ci-dessus est vrai. Est-ce que je manque quelque chose? Par exemple, le diagramme comporte toujours une case pour le Y. Nous considérons les niveaux dans le profileur comme des profileurs distincts, mais cela reste basé uniquement sur le nombre de niveaux de la catégorie (donc implicite mais non précisé).
Re: Guide pour les nœuds de réseaux neuronaux: nœud (s) interne (s) versus nœud (s) caché (s) et externe (s)?Laura,
Cette partie des directives concernant la noeuds de sortie que vous ayez cité le livre est trompeur. JMP ne demande pas à l'utilisateur de spécifier le nombre de nœuds pour la couche de sortie; il le fait automatiquement en fonction du type de modélisation de la variable de réponse. Autrement dit, pour une réponse continue, NN effectue une prédiction de valeur numérique. Pour une réponse nominale ou ordinale, NN établit un ensemble de prédictions de probabilité, une pour chaque niveau de réponse. Le reste des conseils, comme indiqué dans le livre, est destiné à guider l'utilisateur dans le choix du nombre de nœuds cachés dans une couche.
Re: Guide pour les nœuds de réseaux neuronaux: nœud (s) interne (s) versus nœud (s) caché (s) et externe (s)?Il semblerait qu'il serait utile que JMP suggère le nombre correct de nœuds pour un Y catégorique dans neural! Ou au moins le max.
Re: Guide pour les nœuds de réseaux neuronaux: nœud (s) interne (s) versus nœud (s) caché (s) et externe (s)?Merci Peter - Oui, l'affichage du code C généré a en réalité permis d'expliquer une bonne partie de ce qui se passait - des variables nominales à la manière dont les formules sont traduites. C'est un tour qui mérite d'être répété!
Re: Guide pour les nœuds de réseaux neuronaux: nœud (s) interne (s) versus nœud (s) caché (s) et externe (s)?Laura: Je ne peux donner aucune indication sur votre question initiale, mais proposerai-je une autre idée concernant une évaluation qui pourrait avoir un impact sur la perspective? Ces modèles peuvent être assez obtus avec beaucoup de termes, transformations, etc. Certains de mes clients exportent ces modèles vers un système de production, tel qu'un entrepôt de données, permettant de catégoriser les demandeurs de prêt, les services / produits, etc. Ils voient la publication de dépôt de formule en C, SQL, Python, etc. En tant que fonctionnalité intéressante, il est plus facile de "transférer le modèle de JMP Pro" vers un autre système de destination. J'espère que cela t'aides.
Re: Guide pour les nœuds de réseaux neuronaux: nœud (s) interne (s) versus nœud (s) caché (s) et externe (s)?Chaque noeud d'un NN correspond à une fonction linéaire des entrées transformées avec la fonction d'activation non linéaire. Il est logique d’avoir un nœud pour chaque niveau Y, étant donné que tout décalage ou discontinuité associé au niveau de réponse peut être modélisé individuellement (ou, probablement plus précisément, la contribution du niveau peut être modélisée à l’aide d’un nœud séparé). Sur une note non liée, le modèle ajusté ne pourra prédire que les niveaux de Y contenus dans le modèle (quel que soit le nombre de nœuds utilisés).
