無料のオンラインコースで詳細をご覧ください。
産業問題解決のための統計的思考
このビデオでは、ChemicalManufacturing2のデータを使用しています。 ニューラルネットワークモデルを収率このデモでは、JMPの標準バージョンで使用可能なオプションを使用します。
まず、[分析]、[予測モデリング]、[ニューラル]の順に選択します。
追加することから始めます収率Y、応答変数として。
このビデオでは、説明のために、容器サイズ、アミンサプライヤー、およびカーバメート量の3つの変数のみを使用します。 これらの変数をX、Factorとして選択し、[OK]をクリックします。
検証には、ホールドバック部分を使用します。 再現性のためにランダムシードを1234に設定し、デフォルトのホールドバック部分である0.333を使用します。 つまり、データの3分の1は、検証のためにモデル構築から除外されます。
JMPの標準バージョンでは、1つの隠れ層とTanH活性化関数を使用してニューラルモデルを適合させることができます。 デフォルトモデルには、隠れ層に3つのノードがあります。
このモデルに合わせるには、[実行]をクリックします。
このモデルの図を見てみましょう。 これを行うには、モデルの赤い三角形からダイアグラムを選択します。 このモデルには、入力層に3つの変数、3つのノードを持つ1つの隠れ層、および出力層があります。
トレーニングの統計とホールドアウト検証データが提供されます。 このモデルの場合、RMSEは2.73、RSquareは0.233です。
このモデルのパラメーター推定値を見てみましょう。 推定値を表示するには、モデルの赤い三角形から[推定値を表示]を選択します。
隠れ層と出力層のパラメーター推定値があります。
隠れ層のノードごとに、入力変数ごとに切片とパラメーターの推定値があります。 連続予測子（カーバメート量）には1つのパラメーター推定値があり、2レベルのカテゴリー予測子（アミンサプライヤー）には1つのパラメーター推定値があります。 船のサイズには3つのレベルがあるため、2つのパラメーター推定値があります。
これらの推定値を使用して歩留まりを予測する方法を確認するには、モデルの赤い三角形から[数式の保存]を選択します。
これにより、非表示レイヤーの各ノードの列が保存され、予測された歩留まりの列も保存されます。 隠しレイヤーの1つで数式を見ると、TanH関数が使用されていることがわかります。
予測収量の式を見てみましょう。 これは、隠れ層の各ノードからの出力の線形結合であることがわかります。
このモデルを探索するために、予測プロファイラーを使用できます。 これを行うには、モデルの赤い三角形からプロファイラーを選択します。
予測子の値を変更すると、予測される利回りがどのように変化するかを確認できます。
