Philip Ramsey, Data Scientist, Statistical Consultant und Professor, North Haven Group und University of New Hampshire
Marie Gaudard, PhD, Datenwissenschaftlerin und Statistikerin, Predictum
Rosemary Danaher, Doktorandin in Statistik, University of New Hampshire
Christopher Gotwalt, PhD, Chief Data Scientist, JMP
Künstliche neuronale Netze (KNN) und ihr Deep Learning können hochpräzise 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 ANNs 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 unter Berücksichtigung einer hohen Generalisierbarkeitsleistung entworfen werden. Durch die Verwendung der beliebten Pytorch- und Tensor Flow 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.
