ギャップ、クランプ、およびニューラルネットワーク：注意話（2022-EU-45MP-1038）フィリップ・ラムジー、データサイエンティスト、統計コンサルタント、およびニューハンプシャー大学ノースヘブングループ教授
Marie Gaudard、PhD、データサイエンティストおよび統計家、Predictum
ニューハンプシャー大学統計学博士課程のRosemaryDanaher
Christopher Gotwalt、PhD、チーフデータサイエンティスト、JMP
人工ニューラルネットワーク（ANN）とその深層学習により、非常に正確な予測モデルを生成できます。ただし、それらには科学的災害の隠れたリスクが伴います。ANNは入力変数の空間分布に非常に敏感です。塊またはかなりのギャップがあるデータの場合、ANNは塊内にうまく収まる傾向がありますが、ギャップのぎこちなさを予測します。ケーススタディとシミュレーションを使用して、空間分布が不十分なデータにANNを適用することの危険性を示します。 また、新しいデータの予測精度の向上は、高い一般化可能性のパフォーマンスを明示的に念頭に置いて検証およびテストセットを設計することによって得られることを示しています。 JMP Proにネイティブなアルゴリズムに加えて、人気のあるPytorchおよびTensor Flow ANNライブラリを使用することにより、ニューラルネットワークの一般化可能性が低いという問題がニューラルネットワークの実装とは無関係に存在することを示します。
起こるDOE予測モデリング
