예측 모델 비교 - 선형 회귀 및 신경망저는 유한 요소 시뮬레이션의 데이터 결과를 검증하기 위해 JMP PRO 16을 활용하고 있습니다. 선형 회귀 모델과 신경망 모델을 모두 활용하고 비교를 수행하고 싶습니다. 선형 회귀 모델의 경우 선형성, 잔차의 정규성 및 일정 분산의 가정을 충족하려면 변수 변환이 필요하다는 것을 알게 되었습니다. 변환은 두 예측 변수의 제곱 항과 응답 변수의 밑이 10인 로그입니다. 이는 선형 회귀에서 허용 가능한 결과를 제공합니다.
신경망에서 동일한 데이터를 모델링하는 경우, 모델링을 시작하기 전에 예측 변수와 응답 변수에 동일한 변환을 적용해야 합니까?
스리쿠마르
고급 통계 모델링데이터 탐색 및 시각화대량 맞춤형예측 모델링 및 머신 러닝품질 및 공정 엔지니어링결과 공유 및 전달Re: 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 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?
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?
