Hallo JMP-Community, ich habe neuronale Netze betrieben, um Vorhersagemodelle von JMP zu erstellen und die variable Bedeutung durch abhängige neu abgetastete Eingaben zu bewerten, die einen Ansatz mit k-nächsten Nachbarn verwenden.Ich hatte die Variablenbedeutung für jede Variable im Modell, aber wie kann ich den Wert von k und die anderen Details des Ansatzes der k-nächsten Nachbarn kennen?
Vielen Dank für Ihre Antwort. Ich habe ein Vorhersagemodell für ein neuronales Netzwerk erstellt, Profiler> Variablenbedeutung bewerten> Abhängige neu abgetastete Eingaben ausgewählt und eine Liste mit variabler Wichtigkeit angezeigt. Laut der JMP-Hilfe wurde die Wichtigkeit berechnet Verwendung einer k -nächste Nachbarn nähern sich.Meine Frage ist, ob ich den k-Wert davon kennen kann k -nächste Nachbarn nähern sich?
Vielen Dank für Ihre Antwort. Ich habe ein Vorhersagemodell für ein neuronales Netzwerk erstellt, Profiler> Variablenbedeutung bewerten> Abhängige neu abgetastete Eingaben ausgewählt und eine Liste mit variabler Wichtigkeit angezeigt. Laut der JMP-Hilfe wurde die Wichtigkeit unter Verwendung eines Ansatzes mit k nächsten Nachbarn berechnet. Meine Frage ist, ob ich den k-Wert dieses k-nächsten Nachbarn-Ansatzes kennen kann?
Ich denke nicht, dass das Wichtigkeitsergebnis auf k basiert. Das Hilfesystem sagt:
Faktorwerte werden aus beobachteten Kombinationen konstruiert
Verwenden eines Ansatzes mit k-nächsten Nachbarn, um die Korrelation zu berücksichtigen. Diese Option
behandelt beobachtete Varianz und Kovarianz als repräsentativ für die Kovarianzstruktur für
Ihre Faktoren. Verwenden Sie diese Option, wenn Sie glauben, dass Ihre Faktoren korrelieren. Beachten Sie, dass
Diese Option hängt von der Anzahl der Zeilen in der Datentabelle ab. Bei Verwendung mit einer kleinen Anzahl
von Zeilen können die Ergebnisse unzuverlässig sein.
Des Weiteren:
Hinweis: Indizes mit variabler Wichtigkeit werden unter Verwendung von Monte-Carlo-Stichproben erstellt. Aus diesem Grund können Sie von Lauf zu Lauf einige Abweichungen bei den Wichtigkeitsindexwerten erwarten.
Mit anderen Worten wird ein k-nächster Nachbaransatz verwendet, um Beobachtungen zu gruppieren, so dass die Kovarianzstruktur der Daten beibehalten werden kann. Diese Beobachtungen werden in das Modell aufgenommen, um vorhergesagte Werte zu erhalten. Wiederholen Sie nun (dies ist der Monte-Carlo-Teil), indem Sie eine neue Reihe von Beobachtungen auswählen. Sehen Sie, wie stark sich ein einzelner Faktor geändert hat, damit Sie die Bedeutung dieser Variablen beurteilen können.
Ich kenne nicht alle Details des verwendeten Ansatzes für k-nächste Nachbarn, aber ich würde vermuten, dass wenn eine Auswahl von k getroffen wird, es derjenige ist, der die Daten am besten beschreibt. Sehen Sie sich die Clustering-Technik für k-nächste Nachbarn im Hilfeabschnitt an, um zu sehen, wie JMP in dieser Situation "optimal" ak auswählt. Wenn dieser Ansatz wirklich befolgt wird, weiß ich nicht, welcher Bereich von k untersucht wird. In jedem Fall würde ich wetten, dass aufgrund der laufenden Monte-Carlo-Simulation ein Bereich von k-Werten verwendet wird.
