Scopri di più nel nostro corso online gratuito:
Pensiero statistico per la risoluzione dei problemi industriali
In questo video utilizziamo i dati di Chemical Manufacturing 2. Adattiamo un modello di rete neurale per Prodotto utilizzando le opzioni disponibili nella versione standard di JMP per questa demo.
Innanzitutto, selezioniamo Analizza, quindi Modellazione predittiva e quindi Neurale.
Iniziamo aggiungendo Prodotto come Y, variabile di risposta.
Per questo video, utilizziamo solo tre variabili a scopo illustrativo: dimensione del recipiente, fornitore di ammina e quantità di carbammato. Selezioniamo queste variabili come X, Factor e facciamo clic su OK.
Per la convalida, utilizziamo una porzione di holdback. Imposteremo il seme casuale su 1234 per la riproducibilità e utilizzeremo la porzione di holdback predefinita di 0,333. Cioè, un terzo dei dati verrà trattenuto dalla creazione del modello per la convalida.
Nella versione standard di JMP, puoi adattare un modello neurale con uno strato nascosto e la funzione di attivazione TanH. Il modello predefinito ha tre nodi nel livello nascosto.
Faremo clic su Vai per adattarlo a questo modello.
Diamo un'occhiata al diagramma per questo modello. Per fare ciò, selezioniamo Diagram dal triangolo rosso per il modello. Questo modello ha tre variabili nel livello di input, quello nascosto con tre nodi e il livello di output.
Vengono fornite le statistiche per la formazione e i dati di convalida della resistenza. Per questo modello, l'RMSE è 2,73 e l'RSquare è 0,233.
Diamo un'occhiata alle stime dei parametri per questo modello. Per visualizzare le stime, selezioniamo Mostra stime dal triangolo rosso del modello.
Esistono stime dei parametri per i livelli nascosti e per il livello di output.
Per ogni nodo nel livello nascosto, c'è un'intercetta e stime dei parametri per ciascuna delle variabili di input. Esiste una stima del parametro per il predittore continuo (quantità di carbammato) e una stima del parametro per il predittore categoriale a due livelli (fornitore di ammina). La dimensione della nave ha tre livelli, quindi ci sono due stime dei parametri.
Per vedere come queste stime vengono utilizzate per prevedere il rendimento, selezioniamo Salva formule dal triangolo rosso per il modello.
Ciò salva le colonne per ogni nodo nel livello nascosto e salva anche una colonna per il rendimento previsto. Quando osserviamo la formula in uno dei livelli nascosti, puoi vedere che è stata utilizzata la funzione TanH.
Diamo un'occhiata alla formula per il rendimento previsto. Puoi vedere che questa è semplicemente una combinazione lineare degli output di ciascun nodo nel livello nascosto.
Per esplorare questo modello, possiamo utilizzare il profilatore di previsione. Per fare ciò, selezioniamo Profiler dal triangolo rosso per il modello.
Puoi vedere come cambia il rendimento previsto mentre cambiamo i valori dei predittori.
