예측 모델 비교 - 선형 회귀 및 신경망유한 요소 시뮬레이션의 데이터 결과를 검증하기 위해 JMP PRO 16을 활용하고 있습니다. Linear Regression 모델과 Neural Network 모델을 모두 활용하여 비교하고 싶습니다. 선형 회귀 모델의 경우 선형성, 잔차의 정규성 및 일정한 분산의 가정을 충족하기 위해 변수 변환이 필요하다는 것을 발견했습니다. 변환은 두 예측 변수의 제곱 항과 응답 변수의 밑이 10인 로그입니다. 이는 선형 회귀에서 허용 가능한 결과를 제공합니다.
신경망에서 동일한 데이터를 모델링할 때 모델링을 시작하기 전에 예측 변수와 응답 변수에 대해 동일한 변환을 적용해야 합니까?
스리쿠마르
해석학Re: 예측 모델 비교 - 선형 회귀 및 신경망회귀 모델의 경우와 마찬가지로 신경망 모델에 대한 응답도 정규화하여 응답 값 범위에서 최상의 학습 결과를 얻는 것이 좋습니다.JMP의 신경망 플랫폼에는 Sigmoid 및 Gaussian 노드를 사용하는 비선형 활성화 노드가 있으므로 요인을 선형화하는 것은 덜 중요합니다.
Re: 예측 모델 비교 - 선형 회귀 및 신경망귀하의 신속한 응답에 감사드립니다. Neural Networks에 대해서도 그에 따라 진행할 것입니다.
스리쿠마르
Re: 예측 모델 비교 - 선형 회귀 및 신경망비교의 근거는 무엇입니까? 모델 간에 응답이 다른 경우 AICc를 사용할 수 없습니다.
각 모델의 선택을 어떻게 검증하고 있습니까?
Re: 예측 모델 비교 - 선형 회귀 및 신경망이제 모델에 Linear Regression, Bootstrap Forest 및 Neural Network를 사용했습니다. 모델 성능을 비교하기 위해 R square, RASE 및 AAE를 평가하려고 합니다. 처음 두 옵션의 경우 응답 변수에 대한 변환으로 밑이 10인 로그를 사용했습니다. 그러나 신경망의 경우 이 변환은 모델 비교에서 잘못된 결과를 산출했습니다.
또한 선형 회귀 및 부트스트랩 포리스트 모델에서 알 수 있습니다. JMP Pro는 예측된 응답을 데이터 테이블에 저장하기 전에 일반 값(Log10 값 대신)으로 변환합니다. 신경망의 경우 응답을 정규화하지 않고 실제 관찰 값을 Y로 사용했습니다. 그 후 모델 비교 플랫폼에서 적절한 결과를 얻었고 이 비교표를 첨부합니다.
이 접근 방식이 이 문제에 적합합니까? 예측 공식을 저장하거나 게시하는 동안 신경망에 응답 값을 정규화하고 데이터 테이블의 정규 형식으로 예측 결과를 얻는 방법이 있습니까?
