Philip Ramsey, Data Scientist, Consulente statistico e Professore, North Haven Group e University of New Hampshire
Marie Gaudard, PhD, Data Scientist e Statistica, Predictum
Rosemary Danaher, dottoranda in statistica, Università del New Hampshire
Christopher Gotwalt, PhD, Chief Data Scientist, JMP
Le reti neurali artificiali (ANN) e il loro deep learning possono generare modelli predittivi altamente accurati.Tuttavia, portano con sé un rischio nascosto di disastro scientifico: le RNA sono molto sensibili alla distribuzione spaziale delle variabili di input.Per i dati con gruppi o spazi vuoti considerevoli, le ANN tendono ad adattarsi bene ai gruppi ma prevedono incomprensioni negli spazi vuoti.Utilizziamo casi di studio e simulazioni per mostrare i pericoli dell'applicazione delle ANN ai dati con una scarsa distribuzione spaziale. Dimostriamo inoltre che i miglioramenti nell'accuratezza predittiva sui nuovi dati si ottengono progettando set di test e di convalida con prestazioni di generalizzabilità elevate in mente esplicitamente. Utilizzando le popolari librerie ANN Pytorch e Tensor Flow, oltre agli algoritmi nativi di JMP Pro, dimostriamo che il problema della scarsa generalizzabilità della rete neurale esiste indipendentemente dall'implementazione della rete neurale.
