Erfahren Sie mehr in unserem kostenlosen Online-Kurs:
Statistisches Denken für die industrielle Problemlösung
In diesem Beispiel verwenden wir die Daten von Chemical Manufacturing 2. Wir passen ein neuronales Netzwerkmodell für die kategoriale Antwort an, Leistung , wobei alle verfügbaren Prädiktoren und die Validierungsspalte verwendet werden. Für diese Demo verwenden wir die in JMP Pro verfügbaren Optionen.
Zuerst wählen wir Analysieren, dann Predictive Modeling und dann Neural.
Wir beginnen mit dem Hinzufügen Leistung als Y, Response-Variable.
Wir wählen die zwei Gruppen von Prädiktorvariablen als X, Faktor.
Sie können zur Reproduzierbarkeit einen zufälligen Startwert eingeben, aber wir verwenden für dieses Beispiel keinen zufälligen Startwert. Wenn Sie also folgen, können Ihre Ergebnisse etwas anders ausfallen.
Abschließend wählen wir die aus Validierung Spalte als Validierungsvariable und klicken Sie auf OK.
Ein Dialogfeld zum Starten des Modells wird bereitgestellt und bietet viele Optionen. Das Standardmodell hat eine verborgene Schicht mit drei Knoten, die die TanH-Aktivierungsfunktion verwenden.
Wir passen ein neuronales Modell mit zwei verborgenen Schichten und mehreren Knoten an.
Für die erste Schicht, die der Ausgabe am nächsten liegt, verwenden wir einen Knoten von jeder Aktivierungsfunktion.
Für die zweite Schicht, die den Prädiktoren am nächsten liegt, verwenden wir drei Knoten von jeder Aktivierungsfunktion.
Wir klicken auf Los, um das Modell auszuführen.
Schauen wir uns das Diagramm für dieses Modell an. Dazu wählen wir Diagramm aus dem roten Dreieck für das Modell. Dieses Modell hat 16 Prädiktoren in der Eingabeschicht, den beiden verborgenen Schichten mit unterschiedlichen Aktivierungsfunktionen und der Ausgabeschicht.
Da wir eine kategorische Antwort haben, wird das Modell verwendet, um die Wahrscheinlichkeit der Zugehörigkeit zu den beiden Leistungsklassen vorherzusagen: Akzeptieren und Ablehnen.
JMP meldet die Fehlklassifikationsrate und die Verwirrungsmatrizen für die Trainings- und Validierungsdaten. Die ROC-Kurven und Auftriebskurven sind rote Dreiecksoptionen für das Modell.
Sie können sehen, dass das Modell bei den Trainingsdaten besser abschneidet als bei den Validierungsdaten. Denken Sie daran, dass neuronale Netze dazu neigen, Ihre Daten zu überlasten. Wenn Sie ein neuronales Netzwerk anpassen, sollten Sie über einen Testsatz verfügen, um die Leistung Ihres Modells zu bewerten, wenn es auf neue Daten angewendet wird.
Um dieses Modell zu untersuchen, können wir den Profiler verwenden. Da wir eine kategoriale Antwort haben, wählen wir im roten Dreieck den kategorialen Profiler aus. Wir haben viele Variablen, also ordnen wir das in Zeilen an.
Dazu wählen wir Aussehen aus dem roten Dreieck für den Profiler aus und ordnen dann in Reihen an. Wir geben 8 ein, um in zwei Achterreihen anzuordnen.
Sie können sehen, wie sich die vorhergesagten Wahrscheinlichkeiten ändern, wenn wir die Werte der Prädiktoren ändern. Der Profiler zeigt auch die nichtlineare Natur dieses neuronalen Modells.
Ein neuronales Netzwerk erstellt ein Modell unter Verwendung aller Prädiktoren.
Mal sehen, welche der Prädiktoren am wichtigsten sind. Dazu wählen wir im roten Dreieck für den Profiler Assess Variable Importance und dann die erste Option Independent Uniform Inputs aus. Dieser führt eine Simulation durch, um die Effekte der einzelnen Prädiktoren zu isolieren.
Aus dieser Simulation können Sie erkennen, dass einige der Prädiktoren im Modell wichtiger sind als andere.
