Philip Ramsey, 데이터 과학자, 통계 컨설턴트 및 North Haven Group 및 University of New Hampshire 교수
Marie Gaudard, PhD, 데이터 과학자 및 통계학자, Predictum
Rosemary Danaher, 뉴햄프셔 대학교 통계학 박사 과정 학생
Christopher Gotwalt, PhD, 수석 데이터 과학자, JMP
인공 신경망(ANN)과 딥 러닝은 매우 정확한 예측 모델을 생성할 수 있습니다.그러나 그들은 과학적 재앙의 숨겨진 위험을 안고 있습니다. ANN은 입력 변수의 공간적 분포에 매우 민감합니다.덩어리 또는 상당한 간격이 있는 데이터의 경우 ANN은 덩어리에 잘 맞는 경향이 있지만 간격의 횡설수설을 예측합니다.우리는 사례 연구와 시뮬레이션을 사용하여 공간 분포가 좋지 않은 데이터에 ANN을 적용하는 것의 위험성을 보여줍니다. 우리는 또한 명시적으로 높은 일반화 성능을 염두에 두고 검증 및 테스트 세트를 설계함으로써 새로운 데이터에 대한 예측 정확도의 향상을 얻을 수 있음을 보여줍니다. JMP Pro 고유의 알고리즘 외에도 널리 사용되는 Pytorch 및 Tensor Flow ANN 라이브러리를 사용하여 신경망 구현과 무관하게 신경망 일반화 불량 문제가 존재함을 보여줍니다.
