Guía para nodos de redes neuronales: ¿nodo (s) interno (s) versus nodo (s) oculto (s) y externo (s)?Estoy ayudando a un cliente con una evaluación Pro y estamos pasando por la segunda edición de "Fundamental of Predicitve Analytics with JMP". En la página 252, dan pautas para determinar el número de nodos. JMP puede tener la capa de entrada (X), una o 2 capas ocultas y la capa de salida (Y). Sus recomendaciones consideran el número de nodos de salida para variables categóricas:
"El número de nodos en la capa de salida depende del problema. Para predecir una sola variable continua o binaria, use un nodo de salida. Para una variable categórica con cinco niveles, use cinco nodos de salida, uno para cada nivel ".
Luego continúan hablando sobre reglas generales con números de nodo de entrada y salida.
Entonces mi pregunta es esta: ¿el usuario solo tiene que saber cuántos niveles tiene para una Y categórica para determinar el número de nodos? No parece haber ninguna información presente en el informe neuronal de una manera obvia, si lo que he dicho anteriormente es cierto. ¿Me estoy perdiendo de algo? Por ejemplo, el diagrama siempre tiene un cuadro para la Y. Vemos los niveles en el generador de perfiles como perfiladores separados, pero eso todavía se basa en el número de niveles en la categoría (por lo que es implícito pero no se indica).
Re: Guía para nodos de red neuronal: ¿nodo (s) interno (s) versus nodo (s) oculto (s) y externo (s)?Laura
Esa parte de las pautas sobre el nodos de salida que usted citó del libro es engañoso. JMP no le pide al usuario que especifique el número de nodos para la capa de salida; lo hace automáticamente según el tipo de modelado de la variable de respuesta. Es decir, para una respuesta continua, NN hace una predicción de valor numérico. Para una respuesta nominal u ordinal, NN realiza un conjunto de predicciones de probabilidad, una para cada nivel de respuesta. El resto del consejo como se indica en el libro es guiar al usuario a elegir el número de nodos ocultos en una capa.
Re: Guía para nodos de red neuronal: ¿nodo (s) interno (s) versus nodo (s) oculto (s) y externo (s)?¡Parece que sería útil si JMP sugiriera el número correcto de nodos para una Y categórica en neural! O al menos el máximo.
Re: Guía para nodos de red neuronal: ¿nodo (s) interno (s) versus nodo (s) oculto (s) y externo (s)?Gracias Peter: Sí, mostrar el código C generado realmente ayudó a explicar mucho de lo que estaba sucediendo, desde variables ficticias hasta cómo se traducen las fórmulas. ¡Es un truco que vale la pena repetir!
Re: Guía para nodos de red neuronal: ¿nodo (s) interno (s) versus nodo (s) oculto (s) y externo (s)?Laura: ¿No puedo ofrecer ninguna orientación sobre su pregunta original, pero ofreceré otro pensamiento con respecto a una evaluación que podría resonar con la perspectiva? Estos modelos pueden ser bastante obtusos con muchos términos, transformaciones, etc. Algunos de mis clientes exportan estos modelos a un sistema de producción como un almacén de datos para la categorización de dichos solicitantes de préstamos, servicios / productos de ventas adicionales, etc. Ven la publicación de Formula Depot en C, SQL, Python, etc. como algo que alivia el dolor de 'sacar el modelo de JMP Pro' a otro sistema de destino como una buena capacidad. Espero que esto ayude.
Re: Guía para nodos de red neuronal: ¿nodo (s) interno (s) versus nodo (s) oculto (s) y externo (s)?Cada nodo en un NN corresponde a una función lineal de las entradas transformadas con la función de activación no lineal. Tiene sentido tener un nodo para cada nivel Y, ya que cualquier cambio o discontinuidad asociada con el nivel de respuesta puede modelarse individualmente (o, probablemente con mayor precisión, la contribución del nivel puede modelarse usando un nodo separado). En una nota no relacionada, el modelo ajustado solo podrá predecir los niveles de Y que están en el modelo (independientemente de la cantidad de nodos utilizados).
