預測模型比較—線性迴歸與神經網絡我正在利用 JMP PRO 16 來驗證有限元素模擬的資料結果。我想利用線性迴歸模型和神經網路模型並進行比較。對於線性迴歸模型，我發現需要進行變數轉換才能滿足線性、殘差常態性和變異數恆定的假設。變換是兩個預測變數的平方項和反應變數以 10 為底的對數。這在線性迴歸中給出了可接受的結果。
當我在神經網路上對相同資料進行建模時，是否需要在開始建模之前對預測變數和反應變數強制執行相同的轉換？
斯里庫馬爾
進階統計建模數據探索與視覺化大規模客製化預測模型和機器學習品質與工藝工程分享和交流成果回复：預測模型比較 - 線性回歸和神經網絡我現在已經為模型使用了線性回歸、引導森林和神經網絡。 我打算評估 R 平方、RASE 和 AAE 以比較模型性能。 對於前兩個選項，我使用以 10 為底的對數作為響應變量的轉換。 但是對於 Neural Network ，這種轉換在模型比較中產生了錯誤的結果。
在線性回歸和 Bootstrap 森林模型中也注意到，JMP Pro 在將預測響應保存到數據表之前將其轉換為其常規值（而不是 Log10 值）。 對於 Neural Network ，我沒有將響應歸一化並使用實際觀察值作為 Y。 之後模型對比平台得到了不錯的結果，附上這張對比表。
這種方法適合這個問題嗎？ 神經網絡有沒有辦法在保存或發布預測公式的同時，將響應值歸一化，在數據表中以規則的形式得到預測結果？
回复：預測模型比較 - 線性回歸和神經網絡你比較的依據是什麼？ 如果您對不同模型的響應不同，則不能使用 AICc。
您如何驗證每個模型的選擇？
回复：預測模型比較 - 線性回歸和神經網絡感謝您的及時回复。 我也會對神經網絡進行相應的處理
斯里庫馬爾
回复：預測模型比較 - 線性回歸和神經網絡與回歸模型類似，對神經網絡模型的響應進行歸一化以及在響應值範圍內獲得最佳學習結果是個好主意。由於 JMP 的神經網絡平台具有使用 sigmoid 和高斯節點的非線性激活節點，因此線性化這些因素不太重要。
