Obtenga más información en nuestro curso en línea gratuito:
Pensamiento estadístico para la resolución de problemas industriales
En este video, usamos los datos de Chemical Manufacturing 2. Ajustamos un modelo de red neuronal para Rendir usando las opciones disponibles en la versión estándar de JMP para esta demostración.
Primero, seleccionamos Analizar, luego Modelado predictivo y luego Neural.
Empezamos agregando Rendir como la Y, variable de respuesta.
Para este video, usamos solo tres variables para ilustración: tamaño del recipiente, proveedor de amina y cantidad de carbamato. Seleccionamos estas variables como X, Factor, y hacemos clic en Aceptar.
Para la validación, usamos una porción de retención. Estableceremos la semilla aleatoria en 1234 para la reproducibilidad y usaremos la porción de retención predeterminada de 0.333. Es decir, un tercio de los datos se mantendrá fuera de la construcción del modelo para su validación.
En la versión estándar de JMP, puede ajustar un modelo neuronal con una capa oculta y la función de activación de TanH. El modelo predeterminado tiene tres nodos en la capa oculta.
Haremos clic en Ir para ajustar este modelo.
Veamos el diagrama de este modelo. Para hacer esto, seleccionamos Diagrama del triángulo rojo para el modelo. Este modelo tiene tres variables en la capa de entrada, la capa oculta con tres nodos y la capa de salida.
Se proporcionan estadísticas para la capacitación y los datos de validación de retención. Para este modelo, el RMSE es 2,73 y el RSquare es 0,233.
Veamos las estimaciones de los parámetros para este modelo. Para mostrar las estimaciones, seleccionamos Mostrar estimaciones en el triángulo rojo del modelo.
Hay estimaciones de parámetros para las capas ocultas y para la capa de salida.
Para cada nodo en la capa oculta, hay una intersección y estimaciones de parámetros para cada una de las variables de entrada. Hay una estimación de parámetro para el predictor continuo (cantidad de carbamato) y una estimación de parámetro para el predictor categórico de dos niveles (proveedor de amina). El tamaño del buque tiene tres niveles, por lo que hay dos estimaciones de parámetros.
Para ver cómo se utilizan estas estimaciones para predecir el rendimiento, seleccionamos Guardar fórmulas en el triángulo rojo del modelo.
Esto guarda columnas para cada nodo en la capa oculta y también guarda una columna para el rendimiento previsto. Cuando observamos la fórmula en una de las capas ocultas, puede ver que se utilizó la función TanH.
Veamos la fórmula del rendimiento previsto. Puede ver que esto es simplemente una combinación lineal de las salidas de cada nodo en la capa oculta.
Para explorar este modelo, podemos usar el generador de perfiles de predicción. Para hacer esto, seleccionamos Profiler del triángulo rojo para el modelo.
Puede ver cómo cambia el rendimiento pronosticado a medida que cambiamos los valores de los predictores.
