Ma question concerne l'utilisation de la validation croisée K-fold pour les réseaux de neurones artificiels (NN). Plus précisément, je veux savoir d'où viennent les paramètres finaux du modèle NN ? Ont-ils été obtenus par ajustement à l’ensemble des données ? Ou s'agissait-il d'un ajustement à l'un des ensembles de données K constitués de plis K-1 utilisés pour la formation ? Si oui, comment le meilleur ensemble de données d’entraînement a-t-il été choisi ? La documentation SAS n'est pas claire sur ce problème. Quelqu'un a-t-il une réponse?
Ainsi, il semble que les paramètres finaux du modèle soient ceux qui sont adaptés à « l'ensemble de formation du modèle final », qui est l'ensemble de formation qui correspond à « l'ensemble de validation » qui produit la meilleure log-vraisemblance. C'est logique, mais la description me laisse perplexe. Merci pour votre réponse.
Je crois comprendre que le paramètre du meilleur des modèles K est utilisé.
Ceci provient de la documentation d'aide sur la plateforme de régression généralisée, mais je m'attends à ce que la même chose s'applique à la plateforme neuronale : https://www.jmp.com/support/help/en/15.1/#page/jmp/validation-method-options.shtml
« Pour chaque valeur du paramètre de réglage, les étapes suivantes sont réalisées :
–Les observations sont divisées en k sous-ensembles, ou plis.
–À son tour, chaque pli est utilisé comme ensemble de validation. Un modèle est ajusté aux observations hors du pli. La log-vraisemblance basée sur ce modèle est calculée pour les observations du pli, fournissant ainsi une log-vraisemblance de validation.
–La moyenne des log-vraisemblances de validation pour les k plis est calculée. Cette valeur sert de vraisemblance de journal de validation pour la valeur du paramètre de réglage.
La valeur du paramètre de réglage qui a la vraisemblance maximale du journal de validation est utilisée pour construire la solution finale. Pour obtenir le modèle final, tous les k modèles dérivés pour la valeur optimale du paramètre de réglage sont ajustés à l'ensemble des données. Parmi ceux-ci, le modèle qui présente la probabilité logarithmique de validation la plus élevée est sélectionné comme modèle final. L'ensemble de formation utilisé pour ce modèle final est désigné comme l'ensemble de formation et le pli d'exclusion pour ce modèle est l'ensemble de validation. Il s'agit des ensembles de formation et de validation utilisés dans les tracés et dans les résultats rapportés pour la solution finale.
