予測モデルの比較-線形回帰とニューラルネットワーク有限要素シミュレーションのデータ結果を検証するためにJMPPRO16を利用しています。 線形回帰モデルとニューラルネットワークモデルの両方を利用して比較したいと思います。 線形回帰モデルの場合、線形性、残差の正規性、および一定の分散の仮定を満たすには、変数変換が必要であることがわかりました。 変換は、2つの予測子の二乗項と、応答変数の10を底とする対数です。 これにより、線形回帰で許容できる結果が得られます。
ニューラルネットワークで同じデータをモデル化する場合、モデル化を開始する前に、予測変数と応答変数に同じ変換を適用する必要がありますか？
Sreekumar
分析Re：予測モデルの比較-線形回帰とニューラルネットワーク回帰モデルの場合と同様に、ニューラルネットワークモデルの応答を正規化して、応答値の範囲全体で最良の学習結果を取得することをお勧めします。JMPのニューラルネットワークプラットフォームには、シグモイドノードとガウスノードを使用する非線形アクティベーションノードがあるため、因子の線形化はそれほど重要ではありません。
Re：予測モデルの比較-線形回帰とニューラルネットワークあなたの迅速な対応をありがとうございました。 それに応じてニューラルネットワークも進めます
Sreekumar
Re：予測モデルの比較-線形回帰とニューラルネットワークあなたの比較の根拠は何ですか？ モデル間で応答が異なる場合、AICcを使用することはできません。
各モデルの選択をどのように検証していますか？
Re：予測モデルの比較-線形回帰とニューラルネットワークモデルには、線形回帰、ブートストラップフォレスト、ニューラルネットワークを使用しました。 モデルのパフォーマンスを比較するために、決定係数、RASE、およびAAEを評価する予定です。 最初の2つのオプションでは、応答変数の変換として10を底とする対数を使用しました。 しかし、ニューラルネットワークの場合、この変換はモデル比較で誤った結果をもたらしました。
また、線形回帰モデルとブートストラップフォレストモデルでは、JMP Proは、予測された応答をデータテーブルに保存する前に（Log10値ではなく）通常の値に変換します。 ニューラルネットワークの場合、応答を正規化せず、実際の観測値をYとして使用しました。 その後、モデル比較プラットフォームは適切な結果をもたらし、この比較表が添付されています。
このアプローチはこの問題に適していますか？ ニューラルネットワークで、予測式を保存または公開しながら、応答値を正規化し、データテーブルの通常の形式で予測結果を取得する方法はありますか？
