Erfahren Sie mehr in unserem kostenlosen Online-Kurs:
Statistisches Denken für die industrielle Problemlösung
In diesem Video verwenden wir die Daten von Chemical Manufacturing 2. Wir passen ein neuronales Netzwerkmodell für an Ertrag Verwenden Sie für diese Demo die in der Standardversion von JMP verfügbaren Optionen.
Zuerst wählen wir Analysieren, dann Predictive Modeling und dann Neural.
Wir beginnen mit dem Hinzufügen Ertrag als Y, Response-Variable.
Für dieses Video verwenden wir nur drei Variablen zur Veranschaulichung: Gefäßgröße, Aminlieferant und Carbamatmenge. Wir wählen diese Variablen als X, Factor aus und klicken auf OK.
Zur Validierung verwenden wir einen Holdback-Anteil. Aus Gründen der Reproduzierbarkeit setzen wir den Zufallsstartwert auf 1234 und verwenden den standardmäßigen Holdback-Teil von 0,333. Das heißt, ein Drittel der Daten wird zur Validierung aus der Modellerstellung herausgehalten.
In der Standardversion von JMP können Sie ein neuronales Modell mit einer verborgenen Schicht und der TanH-Aktivierungsfunktion anpassen. Das Standardmodell hat drei Knoten in der verborgenen Schicht.
Wir klicken auf Los, um dieses Modell anzupassen.
Schauen wir uns das Diagramm für dieses Modell an. Dazu wählen wir Diagramm aus dem roten Dreieck für das Modell. Dieses Modell hat drei Variablen in der Eingabeschicht, der einen verborgenen Schicht mit drei Knoten und der Ausgabeschicht.
Statistiken für das Training und die Holdout-Validierungsdaten werden bereitgestellt. Für dieses Modell beträgt der RMSE 2,73 und der RSquare 0,233.
Sehen wir uns die Parameterschätzungen für dieses Modell an. Um die Schätzungen anzuzeigen, wählen wir Schätzungen anzeigen aus dem roten Dreieck für das Modell aus.
Es gibt Parameterschätzungen für die verborgenen Schichten und für die Ausgabeschicht.
Für jeden Knoten in der verborgenen Schicht gibt es einen Schnittpunkt und Parameterschätzungen für jede der Eingabevariablen. Es gibt eine Parameterschätzung für den kontinuierlichen Prädiktor (Carbamatmenge) und eine Parameterschätzung für den zweistufigen kategorialen Prädiktor (Aminlieferant). Die Gefäßgröße hat drei Ebenen, daher gibt es zwei Parameterschätzungen.
Um zu sehen, wie diese Schätzungen verwendet werden, um den Ertrag vorherzusagen, wählen wir Formeln speichern aus dem roten Dreieck für das Modell aus.
Dadurch werden Spalten für jeden Knoten in der verborgenen Schicht und auch eine Spalte für den vorhergesagten Ertrag gespeichert. Wenn wir uns die Formel in einer der verborgenen Ebenen ansehen, können Sie sehen, dass die TanH-Funktion verwendet wurde.
Schauen wir uns die Formel für den prognostizierten Ertrag an. Sie können sehen, dass dies einfach eine lineare Kombination der Ausgaben von jedem Knoten in der verborgenen Schicht ist.
Um dieses Modell zu untersuchen, können wir den Vorhersageprofiler verwenden. Dazu wählen wir Profiler aus dem roten Dreieck für das Modell aus.
Sie können sehen, wie sich der prognostizierte Ertrag ändert, wenn wir die Werte der Prädiktoren ändern.
