무료 온라인 과정에서 자세히 알아보십시오.
산업문제 해결을 위한 통계적 사고
이 예에서는 Chemical Manufacturing 2 데이터를 사용합니다. 범주형 응답에 대해 신경망 모델을 적합합니다. 성능 , 사용 가능한 모든 예측자와 유효성 검사 열을 사용합니다. 이 데모에서는 JMP Pro에서 사용할 수 있는 옵션을 사용합니다.
먼저 분석, 예측 모델링, 신경망을 차례로 선택합니다.
우리는 추가로 시작합니다 성능 Y, 응답 변수로.
예측 변수의 두 그룹을 X, 요인으로 선택합니다.
재현성을 위해 임의 시드를 입력할 수 있지만 이 예제에서는 임의 시드를 사용하지 않습니다. 따라서 따라하고 있다면 결과가 약간 다를 수 있습니다.
마지막으로, 우리는 확인 열을 유효성 검사 변수로 선택하고 확인을 클릭합니다.
많은 옵션이 있는 모델 시작 대화 상자가 제공됩니다. 기본 모델에는 TanH 활성화 기능을 사용하는 세 개의 노드가 있는 하나의 숨겨진 레이어가 있습니다.
두 개의 숨겨진 레이어와 여러 노드가 있는 신경 모델을 적합합니다.
출력에 가장 가까운 첫 번째 레이어의 경우 각 활성화 함수에서 하나의 노드를 사용합니다.
예측 변수에 가장 가까운 두 번째 계층의 경우 각 활성화 함수에서 세 개의 노드를 사용합니다.
Go를 클릭하여 모델을 실행합니다.
이 모델의 다이어그램을 살펴보겠습니다. 이를 위해 모델의 빨간색 삼각형에서 다이어그램을 선택합니다. 이 모델은 입력 레이어에 16개의 예측 변수, 활성화 함수가 다른 두 개의 숨겨진 레이어 및 출력 레이어가 있습니다.
범주형 응답이 있기 때문에 이 모델은 수락 및 거부라는 두 가지 성능 클래스의 멤버십 확률을 예측하는 데 사용됩니다.
JMP는 훈련 및 검증 데이터에 대한 오분류율과 혼동 행렬을 보고합니다. ROC 곡선과 리프트 곡선은 모델의 빨간색 삼각형 옵션입니다.
모델이 검증 데이터보다 훈련 데이터에서 더 잘 수행되는 것을 볼 수 있습니다. 신경망은 데이터를 과적합하는 경향이 있음을 기억하십시오. 신경망을 피팅할 때 모델이 새 데이터에 적용될 때 모델의 성능을 평가하기 위한 테스트 세트가 있어야 합니다.
이 모델을 탐색하기 위해 프로파일러를 사용할 수 있습니다. 범주형 응답이 있으므로 빨간색 삼각형에서 범주형 프로파일러를 선택합니다. 변수가 많으므로 이를 행으로 정렬하겠습니다.
이를 위해 프로파일러의 빨간색 삼각형에서 Appearance를 선택한 다음 행으로 정렬합니다. 8을 입력하여 8개씩 두 줄로 정렬합니다.
예측 변수의 값을 변경함에 따라 예측 확률이 어떻게 변경되는지 확인할 수 있습니다. 프로파일러는 또한 이 신경 모델의 비선형 특성을 보여줍니다.
신경망은 모든 예측 변수를 사용하여 모델을 구축합니다.
어떤 예측 변수가 가장 중요한지 봅시다. 이를 위해 프로파일러의 빨간색 삼각형에서 변수 중요도 평가를 선택하고 첫 번째 옵션인 독립 균일 입력을 선택합니다. 이것은 개별 예측 변수의 효과를 분리하기 위해 시뮬레이션을 수행합니다.
이 시뮬레이션에서 일부 예측 변수가 모델에서 다른 예측 변수보다 더 중요하다는 것을 알 수 있습니다.
