Niveau: Anfänger
Marie Gaudard, Senior Data Scientist, Nhg
Philip Ramsey, Senior Data Scientist, Predictum
Rosemary Danaher, Doktorandin, University of New Hampshire
Christopher Gotwalt, Direktor, JMP Statistische Forschung und Entwicklung, JMP
Künstliche neuronale Netze (KNN) und ihr Deep Learning können hochgenaue Vorhersagemodelle generieren.Sie bergen jedoch ein verstecktes Risiko einer wissenschaftlichen Katastrophe: KNNs reagieren sehr empfindlich auf die räumliche Verteilung der Eingangsvariablen.Bei Daten mit Klumpen oder beträchtlichen Lücken passen KNNs in der Regel gut in die Klumpen, sagen jedoch Kauderwelsch in den Lücken voraus.Wir verwenden Fallstudien und Simulationen, um die Gefahren der Anwendung von KNN auf Daten mit schlechter räumlicher Verteilung aufzuzeigen. Wir demonstrieren auch, dass Verbesserungen der Vorhersagegenauigkeit bei neuen Daten erreicht werden, indem Validierungs- und Testsätze explizit mit hoher Generalisierbarkeitsleistung entworfen werden. Durch die Verwendung der beliebten PyTorch- und TensorFlow-ANN-Bibliotheken zusätzlich zu den nativen Algorithmen von JMP Pro zeigen wir, dass das Problem der schlechten Generalisierbarkeit neuronaler Netze unabhängig von der neuronalen Netzimplementierung besteht.
