Obtenga más información en nuestro curso en línea gratuito:
Pensamiento estadístico para la resolución de problemas industriales
En este ejemplo, usamos los datos de Fabricación química 2. Ajustamos un modelo de red neuronal para la respuesta categórica, Actuación , utilizando todos los predictores disponibles y la columna de validación. Usamos las opciones disponibles en JMP Pro para esta demostración.
Primero, seleccionamos Analizar, luego Modelado predictivo y luego Neural.
Empezamos agregando Actuación como la Y, variable de respuesta.
Seleccionamos los dos grupos de variables predictoras como X, Factor.
Puede ingresar una semilla aleatoria para la reproducibilidad, pero no usaremos una semilla aleatoria para este ejemplo. Por lo tanto, si lo sigue, sus resultados pueden ser ligeramente diferentes.
Finalmente, seleccionamos el Validación columna como variable de validación y haga clic en Aceptar.
Se proporciona un cuadro de diálogo Model Launch, que tiene muchas opciones. El modelo predeterminado tiene una capa oculta, con tres nodos que utilizan la función de activación TanH.
Ajustaremos un modelo neuronal con dos capas ocultas y varios nodos.
Para la primera capa, que es la más cercana a la salida, usaremos un nodo de cada función de activación.
Para la segunda capa, que es la más cercana a los predictores, usaremos tres nodos de cada función de activación.
Haremos clic en Ir para ejecutar el modelo.
Veamos el diagrama de este modelo. Para hacer esto, seleccionamos Diagrama del triángulo rojo para el modelo. Este modelo tiene 16 predictores en la capa de entrada, las dos capas ocultas con diferentes funciones de activación y la capa de salida.
Debido a que tenemos una respuesta categórica, el modelo se usa para predecir la probabilidad de pertenecer a las dos clases de Desempeño: Aceptar y Rechazar.
JMP informa la tasa de clasificación errónea y las matrices de confusión para los datos de capacitación y validación. Las curvas ROC y las curvas de elevación son opciones de triángulo rojo para el modelo.
Puede ver que el modelo funciona mejor con los datos de entrenamiento que con los datos de validación. Recuerde que las redes neuronales tienden a sobreajustar sus datos. Cuando ajusta una red neuronal, debe tener un conjunto de pruebas para evaluar el rendimiento de su modelo cuando se aplica a nuevos datos.
Para explorar este modelo, podemos usar el generador de perfiles. Debido a que tenemos una respuesta categórica, seleccionaremos Categorical Profiler del triángulo rojo. Tenemos muchas variables, así que las organizaremos en filas.
Para hacer esto, seleccionamos Apariencia del triángulo rojo para el perfilador y luego organizamos en filas. Ingresaremos 8 para organizar en dos filas de ocho.
Puede ver cómo cambian las probabilidades pronosticadas a medida que cambiamos los valores de los predictores. El generador de perfiles también muestra la naturaleza no lineal de este modelo neuronal.
Una red neuronal construye un modelo utilizando todos los predictores.
Veamos cuáles de los predictores son los más importantes. Para hacer esto, seleccionaremos Evaluar la importancia de la variable del triángulo rojo para el generador de perfiles, y seleccionaremos la primera opción, Entradas uniformes independientes. Esto lleva a cabo una simulación para aislar los efectos de los predictores individuales.
A partir de esta simulación, puede ver que algunos de los predictores son más importantes en el modelo que otros.
