Apprenez-en plus dans notre cours en ligne gratuit :
Pensée statistique pour la résolution de problèmes industriels
Dans cet exemple, nous utilisons les données Chemical Manufacturing 2. Nous adaptons un modèle de réseau de neurones pour la réponse catégorique, Performance , en utilisant tous les prédicteurs disponibles et la colonne de validation. Nous utilisons les options disponibles dans JMP Pro pour cette démonstration.
Tout d'abord, nous sélectionnons Analyze, puis Predictive Modeling, puis Neural.
On commence par ajouter Performance comme la variable Y, Réponse.
Nous sélectionnons les deux groupes de variables prédictives comme X, Factor.
Vous pouvez entrer une valeur de départ aléatoire pour la reproductibilité, mais nous n'utiliserons pas de valeur de départ aléatoire pour cet exemple. Donc, si vous suivez, vos résultats pourraient être légèrement différents.
Enfin, nous sélectionnons le Validation colonne comme variable de validation, puis cliquez sur OK.
Une boîte de dialogue de lancement de modèle est fournie et elle comporte de nombreuses options. Le modèle par défaut a une couche cachée, avec trois nœuds utilisant la fonction d'activation TanH.
Nous allons ajuster un modèle neuronal avec deux couches cachées et plusieurs nœuds.
Pour la première couche, qui est la plus proche de la sortie, nous utiliserons un nœud de chaque fonction d'activation.
Pour la deuxième couche, qui est la plus proche des prédicteurs, nous utiliserons trois nœuds de chaque fonction d'activation.
Nous allons cliquer sur Go pour exécuter le modèle.
Regardons le schéma de ce modèle. Pour ce faire, nous sélectionnons Diagramme dans le triangle rouge du modèle. Ce modèle comporte 16 prédicteurs dans la couche d'entrée, les deux couches cachées avec différentes fonctions d'activation et la couche de sortie.
Parce que nous avons une réponse catégorique, le modèle est utilisé pour prédire la probabilité d'appartenance aux deux classes de performance : Accepter et Rejeter.
JMP signale le taux d'erreurs de classification et les matrices de confusion pour les données de formation et de validation. Les courbes ROC et les courbes de levage sont des options de triangle rouge pour le modèle.
Vous pouvez voir que le modèle fonctionne mieux sur les données de formation que sur les données de validation. N'oubliez pas que les réseaux de neurones ont tendance à suradapter vos données. Lorsque vous adaptez un réseau de neurones, vous devez disposer d'un ensemble de tests pour évaluer les performances de votre modèle lorsqu'il est appliqué à de nouvelles données.
Pour explorer ce modèle, nous pouvons utiliser le profileur. Parce que nous avons une réponse catégorique, nous allons sélectionner Categorical Profiler dans le triangle rouge. Nous avons beaucoup de variables, nous allons donc organiser cela en lignes.
Pour ce faire, nous sélectionnons Apparence dans le triangle rouge pour le profileur, puis organisons-les en rangées. Nous allons entrer 8 pour disposer en deux rangées de huit.
Vous pouvez voir comment les probabilités prédites changent lorsque nous modifions les valeurs des prédicteurs. Le profileur montre également la nature non linéaire de ce modèle neuronal.
Un réseau de neurones construit un modèle en utilisant tous les prédicteurs.
Voyons lesquels des prédicteurs sont les plus importants. Pour ce faire, nous sélectionnerons Assess Variable Importance dans le triangle rouge pour le profileur, et nous sélectionnerons la première option, Independent Uniform Inputs. Ceci effectue une simulation pour isoler les effets des prédicteurs individuels.
À partir de cette simulation, vous pouvez voir que certains des prédicteurs sont plus importants dans le modèle que d'autres.
