Apprenez-en plus dans notre cours en ligne gratuit :
Pensée statistique pour la résolution de problèmes industriels
Dans cette vidéo, nous utilisons les données Chemical Manufacturing 2. Nous adaptons un modèle de réseau de neurones pour Rendement en utilisant les options disponibles dans la version standard de JMP pour cette démonstration.
Tout d'abord, nous sélectionnons Analyze, puis Predictive Modeling, puis Neural.
On commence par ajouter Rendement comme la variable Y, Réponse.
Pour cette vidéo, nous n'utilisons que trois variables à titre d'illustration : la taille du navire, le fournisseur d'amine et la quantité de carbamate. Nous sélectionnons ces variables comme X, Facteur, et cliquons sur OK.
Pour la validation, nous utilisons une partie retenue. Nous allons définir la graine aléatoire sur 1234 pour la reproductibilité et utiliser la partie retenue par défaut de 0,333. C'est-à-dire qu'un tiers des données seront conservées hors de la construction du modèle pour validation.
Dans la version standard de JMP, vous pouvez ajuster un modèle neuronal avec une couche cachée et la fonction d'activation TanH. Le modèle par défaut comporte trois nœuds dans la couche masquée.
Nous allons cliquer sur Go pour ajuster ce modèle.
Regardons le schéma de ce modèle. Pour ce faire, nous sélectionnons Diagramme dans le triangle rouge du modèle. Ce modèle a trois variables dans la couche d'entrée, la couche cachée avec trois nœuds et la couche de sortie.
Des statistiques pour la formation et les données de validation d'exclusion sont fournies. Pour ce modèle, le RMSE est de 2,73 et le RSquare est de 0,233.
Examinons les estimations des paramètres pour ce modèle. Pour afficher les estimations, nous sélectionnons Afficher les estimations dans le triangle rouge du modèle.
Il existe des estimations de paramètres pour les couches cachées et pour la couche de sortie.
Pour chaque nœud de la couche cachée, il existe une interception et des estimations de paramètres pour chacune des variables d'entrée. Il existe une estimation de paramètre pour le prédicteur continu (quantité de carbamate) et une estimation de paramètre pour le prédicteur catégoriel à deux niveaux (fournisseur d'amine). La taille du navire a trois niveaux, il y a donc deux estimations de paramètres.
Pour voir comment ces estimations sont utilisées pour prédire le rendement, nous sélectionnons Enregistrer les formules dans le triangle rouge du modèle.
Cela enregistre des colonnes pour chaque nœud dans la couche masquée et enregistre également une colonne pour le rendement prévu. Lorsque nous regardons la formule dans l'une des couches cachées, vous pouvez voir que la fonction TanH a été utilisée.
Regardons la formule pour le rendement prévu. Vous pouvez voir qu'il s'agit simplement d'une combinaison linéaire des sorties de chaque nœud de la couche cachée.
Pour explorer ce modèle, nous pouvons utiliser le profileur de prédiction. Pour ce faire, nous sélectionnons Profiler dans le triangle rouge du modèle.
Vous pouvez voir comment le rendement prévu change à mesure que nous modifions les valeurs des prédicteurs.
