Leitfaden für neuronale Netzknoten: Innerer Knoten versus versteckter und äußerer Knoten?Ich helfe einem Kunden mit einer Pro-Evaluierung und wir werden die "Grundlagen von Predicitve Analytics mit JMP" in der zweiten Ausgabe durcharbeiten. Auf Seite 272 finden Sie Richtlinien zum Bestimmen der Anzahl der Knoten. JMP kann die Eingabeebene (X), eine oder zwei ausgeblendete Ebenen und die Ausgabeebene (Y) enthalten. Ihre Empfehlungen berücksichtigen die Anzahl der Ausgabeknoten für kategoriale Variablen:
"Die Anzahl der Knoten in der Ausgabeebene hängt vom Problem ab. Verwenden Sie einen Ausgabeknoten, um eine einzelne kontinuierliche oder binäre Variable vorherzusagen. Verwenden Sie für eine kategoriale Variable mit fünf Ebenen fünf Ausgabeknoten, einen für jede Ebene. "
Anschließend sprechen sie über Faustregeln mit Eingabe- und Ausgabeknotennummern.
Meine Frage lautet also: Muss der Benutzer nur wissen, wie viele Ebenen er für ein kategoriales Y hat, um die Anzahl der Knoten zu bestimmen? Es scheint keine Informationen in dem neuronalen Bericht auf offensichtliche Weise zu geben, wenn das, was ich oben gesagt habe, wahr ist. Vermisse ich etwas? Zum Beispiel hat das Diagramm immer ein Kästchen für das Y. Wir sehen die Ebenen im Profiler als separate Profiler, aber das basiert immer noch auf der Anzahl der Ebenen in der Kategorie (also implizit, aber nicht angegeben).
Betreff: Leitfaden für neuronale Netzknoten: innerer Knoten versus versteckter und äußerer Knoten?Laura,
Dieser Teil der Richtlinien über die Ausgabeknoten dass Sie aus dem Buch zitiert ist irreführend. JMP fordert den Benutzer nicht auf, die Anzahl der Knoten für die Ausgabeebene anzugeben. Dies geschieht automatisch anhand des Modellierungstyps der Antwortvariablen. Das heißt, für eine kontinuierliche Antwort erstellt NN eine Vorhersage für einen numerischen Wert. Für eine nominale oder ordinale Antwort erstellt NN eine Reihe von Wahrscheinlichkeitsvorhersagen, eine für jede Antwortstufe. Der Rest des Ratschlags, wie er im Buch angegeben ist, soll den Benutzer bei der Auswahl der Anzahl an Personen anleiten versteckte Knoten in einer Ebene.
Betreff: Leitfaden für neuronale Netzknoten: innerer Knoten versus versteckter und äußerer Knoten?Es hört sich so an, als wäre es hilfreich, wenn JMP die richtige Anzahl von Knoten für ein kategoriales Y in neuronal vorschlagen würde! Oder zumindest die max.
Betreff: Leitfaden für neuronale Netzknoten: innerer Knoten versus versteckter und äußerer Knoten?Danke Peter - Ja, das Anzeigen des generierten C-Codes hat viel dazu beigetragen, zu erklären, was passiert ist - von Dummy-Variablen bis hin zu der Art und Weise, wie die Formeln übersetzt werden. Es ist ein Trick, den es sich zu wiederholen lohnt!
Betreff: Leitfaden für neuronale Netzknoten: innerer Knoten versus versteckter und äußerer Knoten?Laura: Ich kann keine Anleitung zu Ihrer ursprünglichen Frage geben, werde aber einen weiteren Gedanken zu einer Bewertung machen, die mit der Aussicht in Resonanz geraten könnte? Diese Modelle können mit vielen Begriffen, Transformationen usw. ziemlich stumpf sein. Einige meiner Kunden exportieren diese Modelle in ein Produktionssystem wie ein Data Warehouse, um beispielsweise Kreditantragsteller, Upselling-Services / -Produkte usw. zu kategorisieren. Sie sehen, wie das Formeldepot in C, SQL, Python usw. veröffentlicht wird. als eine nette Funktion, die den Schmerz lindert, das Modell aus JMP Pro in ein anderes Zielsystem zu bekommen. Hoffe das hilft.
Betreff: Leitfaden für neuronale Netzknoten: innerer Knoten versus versteckter und äußerer Knoten?Jeder Knoten in einem NN entspricht einer linearen Funktion der mit der nichtlinearen Aktivierungsfunktion transformierten Eingänge. Es ist sinnvoll, einen Knoten für jede Y-Ebene zu haben, da jede Verschiebung oder Diskontinuität, die mit der Antwortebene verbunden ist, individuell modelliert werden kann (oder wahrscheinlich genauer, der Beitrag von der Ebene kann unter Verwendung eines separaten Knotens modelliert werden). Unabhängig davon kann das angepasste Modell nur die Y-Pegel im Modell vorhersagen (unabhängig von der Anzahl der verwendeten Knoten).
